Беляев максим статистика: Максим Беляев | Статистика | Россия | ЕВРО-2020

Максим Беляев (спортсмен, хоккей, Казахстан, Россия): новости, биография, статистика спортсмена

Максим Беляев (спортсмен, хоккей, Казахстан, Россия): новости, биография, статистика спортсмена | Vesti.kz f9sValHXzDbMq7QX4YL5XRQn4SxfLSZbNlJ6dJZM Войти через социальную сеть

Пожалуйста, подождите… Укажите email Укажите имя или псевдоним Укажите пароль Для регистрации на сайте Вы должны принять Правила сообщества Для редактирования профиля необходимо авторизоваться на сайте Укажите корректный Email material_dobavlen_v_izbrannoe Добавить в избранное Убрать из избранного Пароли не совпадают Задайте пароль для входа на сайт Хороший пароль должен содержать строчные, заглавные латинские буквы и цифры. Рекомендуется добавлять знаки препинания и задавать длину пароля не менее 8 символов Спасибо за Ваш голос! Добавить +1 Убрать +1 Выберите вариант ответа

Место

Вход на сайт

Войти через социальную сеть:

>

org/PostalAddress»>

Гражданство

Вид спорта

Хоккей

Амплуа

Спортсмен

Действующий

Да

Место рождения

Усть-Каменогорск

Дата рождения

24 августа 1979 (42 года)

Пол

мужской

Рост, см

180

Вес, кг

83

Беляев, Максим Владимирович — это… Что такое Беляев, Максим Владимирович?

В Википедии есть статьи о других людях с такой фамилией, см. Беляев.

Максим Владимирович Беляев (род. 24 августа 1979, Усть-Каменогорск, Казахская ССР, СССР) — казахстанский хоккеист, нападающий сборной Казахстана. Воспитанник усть-каменогорской школы хоккея.

Биография

Начинал играть в усть-каменогорском «Торпедо», участвовал в молодежных чемпионатах мира 1998 и 1999 годов, где сборная Казахстана заняла 7-е и 6-ое места соответственно. С приходом в «Казцинк-Торпедо» тренера Мышагина стал получать мало игрового времени и играл в основном в фарме, поэтому вместе с партнерами по звену Михаилом Юрьевым и Евгением Таныгиным перешел в набиравший обороты «Казахмыс». В Караганде тройка показывала хорошую игру и в 2005 году Беляев был приглашен на просмотр в «Салават Юлаев» и смог закрепиться в уфимском клубе. В 2006 году в составе сборной принял участие в чемпионате мира в Латвии. Вскоре в «Салавате» начали обновлять состав в связи с большими финансовыми вливаниями и Максим, имевший статус легионера, перешел в тольяттинскую «Ладу», где сразу же стал капитаном команды. На ЧМ-2008 в первом дивизионе Беляев был единственным в составе сборной Казахстана легионером представлявшим российскую суперлигу — остальные отказались под давлением клубов.

В форме хабаровского «Амура» (2012 г.)

С созданием КХЛ Беляев перешел в казахстанский «Барыс» но не прижился там и вернулся в «Ладу». Перед сезоном 2009/10 в тольяттинском клубе начались финансовые проблемы и Максим поехал в «Казцинк-Торпедо» где главным тренером тогда был его отец — Владимир Беляев. В родном клубе Максим провел хороший сезон — его звено, где крайними нападающими были Сергей Александров и Вадим Рифель, было среди лидеров Высшей лиги. С сезона 2010/11 — в составе дебютанта КХЛ ханты-мансийской «Югры».

Отец Максима Владимир Беляев — известный казахстанский тренер, многократно работавший с юниорскими и молодёжными сборными Казахстана. Был главным тренером на молодёжном чемпионате мира 1998, на котором Максим впервые примерил свитер национальной команды.

Достижения

Статистика

Последнее обновление: 23 августа 2012 года

Сезон	Команда	Лига		Регулярный сезон						Плей-офф
				Игр	Г	П	Очк	Штр		Игр	Г	П	Очк	Штр
1998/99	Торпедо (Усть-Каменогорск)	ВХЛ		17	1	1	2	6
2001/02	Казцинк-Торпедо	ВХЛ		35	7	7	14	12
2002	Казцинк-Торпедо	КФ		7	5	4	9	2
2002/03	Казцинк-Торпедо	ВХЛ		5	0	3	3	2
2003/04	Казахмыс	ВХЛ		54	6	6	12	26
2003/04	Казахмыс	РЧК		24	14	23	37	12
2004/05	Казахмыс	ВХЛ		46	13	10	23	26
2004/05	Казахмыс	РЧК		26	17	18	35	28
2005/06	Салават Юлаев	РСЛ		24	2	4	6	14
2005/06	Салават Юлаев-2	1 лига		3	0	0	0	0
2006/07	Салават Юлаев	РСЛ		54	6	15	21	68		8	0	1	1	6
2007/08	Лада	РСЛ		29	5	5	10	20
2007/08	Лада-2	1 лига		17	5	10	15	24
2008/09	Барыс	КХЛ		11	0	3	3	0
2008/09	Лада-2	1 лига		2	0	0	0	2
2008/09	Лада	КХЛ		27	0	5	5	12		4	1	0	1	0
2009/10	Казцинк-Торпедо-2	РЧК		8	2	2	4	8
2009/10	Казцинк-Торпедо	ВХЛ		37	11	21	32	64		7	2	0	2	22
2010/11	Югра	КХЛ		52	3	3	6	30		6	0	2	2	0
2011/12	Югра	КХЛ		37	3	4	7	34		4	1	0	1	29
2012/13	Амур	КХЛ		15	0	1	1	4
Всего в Регулярном Чемпионате Казахстана				58	33	43	76	48
Всего в Кубке Федерации				7	5	4	9	2
Всего в Первой лиге				22	5	10	15	26
Всего в ВХЛ				194	38	48	86	136		7	2	0	2	22
Всего в РСЛ				107	13	24	37	102		8	0	1	1	6
Всего в КХЛ				142	6	16	22	80		14	2	2	4	29

Международные соревнования

Ссылки

«Перед такими матчами никто не нуждается в дополнительной мотивации»

Защитник «Арсенала» рассказал, как оружейники готовятся к четвертьфиналу Кубка России с ЦСКА.

— Максим, в игре с «Уралом» вернулись на поле после травмы, полученной на сборах. Как чувствуете себя?

— Да, было повреждение, поначалу казалось, что ничего страшного, но в итоге пропустил практически два месяца. Сейчас все хорошо, нога больше не беспокоит, в Екатеринбурге отыграл целый тайм, по ощущениям мог бы и больше. Полностью восстановился, чувствую силы в ногах, за паузу на игры сборных успел набрать хорошую форму и наравне со всеми готовлюсь к предстоящим матчам.

— У «Арсенала» сейчас полоса неудач, это сильно давит?

— Мы понимаем, что ситуация действительно неприятная. Она нас ни в коем случае не устраивает. Хорошо, что матчи идут один за другим, есть возможность сразу реабилитироваться после поражения и наладить психологический фон в команде. Предстоит сыграть с ЦСКА в Кубке, это совсем другой турнир. Мы дошли до четвертьфинала, очень интересная стадия, хотелось бы повторить успех двухлетней давности и вновь дойти до полуфинала.

И двигаться дальше. Перед такими матчами никто из нас не нуждается в дополнительной мотивации.

— В ЦСКА сменился главный тренер, теперь команду возглавляет Ивица Олич, как это повлияет на игру соперника?

— Во всех командах при смене тренера меняется эмоциональный фон. Футболисты становятся на равных, возрастает конкуренция, так как каждый старается показать себя с лучшей стороны перед новым тренером. В составе ЦСКА много мастеровитых футболистов, возможно, с приходом Олича у них поменяется схема, плюс у них выбыл основной центральный защитник Магнуссон. Сейчас нужно все досконально изучить и правильно подготовиться к этой встрече.

— Если брать историю взаимоотношений, то ЦСКА можно назвать неудобным для нас соперником.

— В гостевых матчах у нас всего одна победа, осенью позапрошлого года, но дома мы неплохо играем. Как показал последний матч с ЦСКА, если все делать правильно, показывать запредельную самоотдачу и выполнять установку тренера, можно добиваться положительного результата. Мы играем дома, надеюсь на горячую поддержку со стороны наших болельщиков.

— У вас интересная статистика выступлений за «Арсенал». В каждом сезоне по разу поражаете ворота соперника, но в этом еще не забивали…

— Здорово было бы забить в ближайших матчах. Я всегда прихожу на стандарты с мыслями помочь команде и отметиться голом. Постараюсь как можно скорее порадовать болельщиков.

Знаменитый ведущий прогноза погоды Александр Беляев умер на 72-м году жизни

Александр Беляев

Сегодня стало известно, что скончался известный ведущий прогноза погоды Александр Беляев. Ему был 71 год. Печальные новости подтвердили на телеканале НТВ, где телесиноптик долгое время работал. Он скончался в реанимации в больнице сегодня ночью. Беляев уже почти девять лет боролся с онкологическим заболеванием, но точный диагноз не был известен. Лишь недавно телеведущий рассказал, что у него нашли рак прямой кишки. В начале июля он также перенес экстренную операцию по удалению пятисантиметровой опухоли.

Александр Вадимович не скрывал, что даже одна поездка в неделю в «Останкино» ужасно его выматывает. Несмотря на усталость от болезни, он никому не доверял писать тексты к своим эфирам,

— говорится в официальном сообщении.

Однако, по данным телеграм-канала Mash, причиной смерти Беляева стал иной недуг — гипергликемия. 19 июля он был госпитализирован, но врачи не смогли его спасти.

Два года назад в эфире программы «Однажды…» Беляев рассказал о борьбе с недугом, а также о том, что от лейкемии скончалась его супруга.

Александр Беляев окончил географический факультет МГУ, принимал участие в научных экспедициях, позднее работал заместителем директора Института географии РАН по научным вопросам.

В 1998 году он начал работать на телеканале НТВ в качестве ведущего прогноза погоды. Прославился ведущий в первую очередь благодаря творческому подходу: его прогноз всегда звучал как увлекательный рассказ.

Соболезнования выразили уже и некоторые коллеги телеведущего.

Умер Александр Беляев — человек-праздник, который превратил прогноз погоды в маленькое шоу,

— написал Андрей Малахов.

Максим Беляев статистика и история переходов

На странице профиля Максима Беляева показаны все матчи и соревнования со статистикой всех матчей, в которых он играл. Вы можете получить самую важную статистику Максима Беляева, включая средний рейтинг игрока, голы, передачи, карточки и другие соответствующие данные также отображаются на AiScore.

AiScore Стоимость игрока Максима Беляева составляет 2,0 млн евро. У него контракт с «Арсеналом Тула» до 2021. 06.30. Номер на футболке Максима Беляева -. Максиму Беляеву — лет ， день рождения 30.09.1991, рост 188 см, вес 86 кг.Максим Беляев предпочитает играть правой ногой.

Арсенал Тула сыграет свой следующий матч 2022/02/27 UTC, ФК Сочи — Арсенал Тула в рамках Кубка России. Если Максим Беляев появится в составе «Арсенала Тула», это будет подтверждено на AiScore за час до начала матча.

Максим Беляев История переводов и комиссия за перевод
26.02.2016, Из Шинника Ярославль в Арсенал Тула, Стоимость трансфера.
01.07.2015, Локомотив Москва — Шинник Ярославль, стоимость трансфера.
30.06.2013, из ФК Ростов в Локомотив Москва, комиссия за окончание перевода кредита.
17.01.2013, ФК «Локомотив Москва — Ростов», комиссия за перевод кредита.
01.01.2012, Из Локомотив Москва II в Локомотив Москва, Трансферный сбор.
2011/12/01, Из Торпедо Владимир в Локомотив Москва II, Комиссия за перевод в конце кредита.
01.08.2011, Из Локомотив Москва II в Торпедо Владимир, Комиссия за перевод кредита.
30.06.2011, Из Динамо Брянск в Локомотив Москва II, Комиссия за перевод кредита.
01.01.2011, Из Локомотив Москва II в Динамо Брянск, комиссия за перевод кредита.
31.08.2008, Из Локомотив Москва U19 в Локомотив Москва II, Стоимость трансфера.

Если вы желаете смотреть онлайн бесплатно матч с Максимом Беляевым в прямом эфире, то в «Арсенале Тула» подробности матча мы предлагаем по ссылке для просмотра. Если этот матч транслируется с помощью потоковых сервисов AiScore, вы можете смотреть прямые трансляции ФК Сочи против Арсенала Тула на своем ПК и мобильном телефоне — iPhone, iPad, Android или Windows phone. Обратите внимание, что права интеллектуальной собственности на трансляцию таких событий обычно принадлежат уровень страны, и поэтому, в зависимости от вашего местоположения, могут быть определенные события, которые вы не сможете смотреть из-за таких ограничений.
AiScore Football LiveScore доступен как приложение для iPhone и iPad, приложение для Android в Google Play и приложение для Windows phone. Вы можете найти AiScore во всех магазинах на разных языках с поиском «AiScore». Установите приложение AiScore и следите за всеми матчами Максима Беляева в прямом эфире на своем мобильном телефоне!

Максим Беляев

12.06.2012 Россия 0: 0 Албания		0	0	0
06. 09.2012 Россия 4: 1 Польша		0	1	0
10.09.2012 Россия 2: 2 Молдова		0	0	0
12. 10.2012 Чешская Республика 0: 2 Россия		0	0	0
16.10.2012 Россия 2: 2 Чешская Республика		0	0	0

Границы | ISLES 2016 и 2017 — Бенчмаркинг Прогноз исходов поражения ишемического инсульта на основе мультиспектральной МРТ

1.

Введение

Определение местоположения и степени поражения при инсульте является важным шагом на пути к оценке острого инсульта. Особый интерес представляет развитие поражения с течением времени, так как это может дать ценную информацию о тканях после начала инсульта. Современные методы магнитно-резонансной томографии (МРТ), включая диффузионную и перфузионную визуализацию, показали большую ценность для различения ткани с острым инфарктом (известной как «сердцевина») и ткани с гипоперфузией (известной как «полутень»).Однако доступные автоматизированные методы, используемые для характеристики областей ядра и полутени на основе информации МРТ, не обладают точностью и не могут правильно уловить сложность информации изображения. Следовательно, существует большая потребность в передовых методах анализа данных, которые идентифицируют эти области и прогнозируют тканевые результаты более воспроизводимым и точным образом. В конце концов, такие инструменты будут доступны для поддержки врачей в процессе принятия решений (например, при принятии решения за или против тромболитической терапии). В последние годы методы машинного обучения для обработки медицинских изображений продемонстрировали беспрецедентный прогресс. Область машинного обучения с учителем (то есть, когда компьютерные модели обучаются на основе существующих предварительно аннотированных наборов данных) и, в частности, глубокое обучение, приобрела большую популярность и продемонстрировала большой потенциал для медицинских приложений, где количественная оценка и интерпретация изображений важны для принятия решений. процесс (1). Наряду с этим сравнительный анализ методов машинного обучения для обработки медицинских изображений стал центральной областью интереса на ежегодной конференции Medical Image Computing and Computer Assisted Intervention (MICCAI), на которой алгоритмы тестируются и оцениваются с использованием тщательно отобранных наборов данных и общих показателей оценки.Задача ISLES была создана как попытка поднять интерес сообщества разработчиков медицинских изображений к достижению прогресса в сложных аспектах характеристики поражений при инсульте по данным МРТ. Работа Майера и его коллег обобщает уроки, извлеченные из издания ISLES 2015 (2), где анализ изображений на подострой и острой стадиях позволил понять, как точные подходы машинного обучения могут характеризовать основные области и области полутени. В последующие годы дискуссии, происходившие между междисциплинарными командами по проблеме ISLES, позволили сообществу продвинуться к задаче прогнозирования поражения при инсульте на основе данных МРТ.Это представляет большой интерес в клинической практике, поскольку ответственный врач должен быстро решить, может ли конкретный пациент с инсультом получить пользу от интервенционного лечения (например, тромбэктомии или тромболизиса). Это решение часто принимается на основе внешнего вида поражения, времени, прошедшего с момента начала инсульта, и личного опыта врачей. Объективные методы, которые надежно прогнозируют поражения и клинический исход только на основании острых снимков, могут стать мощным инструментом для поддержки и ускорения принятия решений в критической фазе.

1.1. Текущие методы

Из обзора литературы, представленного Maier et al. (2), резюмируя состояние дел до 2016 г., последние методы машинного обучения для сегментации поражений при инсульте и прогнозирования результатов четко демонстрируют переход от классических инструментов машинного обучения [например, (3, 4)] к подходам, основанным на глубоком обучении ( 5–10). Как правило, точность этих методов тесно связана с набором данных, к которому они применяются, и не позволяет проводить прямое сравнение.По этой причине разработка общедоступных тестов, таких как ISLES, имеет решающее значение для облегчения анализа текущих технологий машинного обучения и использования направлений исследований для их улучшения. В конкурсе ISLES, проводившемся в 2016 и 2017 годах, приняли участие в общей сложности 24 команды, участвовавшие в подзадачах сегментации поражения и прогнозирования результатов. В этой статье мы представляем основные результаты и выводы сравнительного анализа подходов к машинному обучению, представленные на ISLES 2016 и 2017. Задачи ISLES включают 75 случаев из двух разных центров, включая перфузионную и диффузную визуализацию (Raw Perfusion, CBF, CBV, TTP, Tmax , ADC, MTT), а также клиническую информацию (время после инсульта, время до лечения, показатели TICI и mRS).С помощью справочных аннотаций, подготовленных двумя клиническими экспертами, а также набора количественных показателей и качественных экспертных оценок, мы анализируем и описываем общие стратегии и подходы, ведущие к наилучшей алгоритмической производительности. Мы представляем прогресс этих алгоритмов и текущие проблемы, которые необходимо преодолеть этим методам, чтобы интегрировать их в критичный по времени клинический рабочий процесс пациентов с инсультом.

1.2. Мотивация для ISLES и Challenge Setup

Автоматизированные методы сегментации и прогнозирования поражений являются частью активной области исследований.Поскольку результаты сильно зависят от размера и качества используемых данных, сравнение независимых методов проверки является сложной задачей. Для сравнения различных автоматизированных методов исследователям обычно приходится заново реализовывать алгоритмы, представленные в предыдущих публикациях, что, как известно, является сложной задачей из-за сложности алгоритмов и отсутствия подробного описания их реализации. Хотя сообщество меняется и все чаще предоставляет открытый исходный код, тестирование производительности остается трудоемким.По этим причинам вычислительные задачи стремятся предоставить платформу, позволяющую беспрепятственно и непрерывно проверять различные методы решения заранее определенной проблемы. Задача ISLES следует в этом направлении, предоставляя базу данных визуализации инсульта и платформу для сравнительного анализа, которая облегчает сравнение новых алгоритмов сегментации и прогнозирования поражений. ISLES был запущен впервые в 2015 году и успешно продолжался в последующие 2 года. Исследователи, заинтересованные в этой задаче, могут зарегистрироваться онлайн и загрузить данные изображений через платформу SICAS Medical Image Repository (SMIR) (11). Данные для обучения были предоставлены в предварительно обработанном формате, что позволяло командам применять свои алгоритмы напрямую без предварительной обработки. Кроме того, это гарантировало, что различия в производительности в основном обусловлены моделями прогнозирования, а не различными этапами предварительной обработки. В конце концов, методы можно было напрямую сравнивать и оценивать в таблице лидеров, чтобы найти наиболее успешный подход.

1.2.1. ОСТРОВА 2016

В то время как в ISLES 2015 основное внимание уделялось сегментации поражений при ишемическом инсульте (2), ISLES 2016 были нацелены на прогнозирование исходов поражений.Таким образом, данные мультиспектральной МРТ в острой фазе у 35 пациентов с инсультом были предоставлены вместе с картами поражений, аннотированными на 3–9-месячных контрольных сканированиях. Через несколько недель участвующие команды (см. Таблицу 1) попросили применить свой алгоритм к 19 невидимым тестовым данным. Метки поражений для тестовых данных были сгенерированы двумя оценщиками независимо и объединены с помощью алгоритмов STAPLE (12) для создания объединенного набора наземных данных. На основе производительности этого набора тестовых данных методы были ранжированы для определения победителя испытания.В качестве второй задачи командам было предложено предсказать клинический показатель mRS, который обозначает степень инвалидности. После анализа результатов мы признаем, что последняя задача требовала большего количества данных для надежного статистического анализа, поэтому они не представлены в этой статье. Тем не менее, читатель отсылается к официальному сайту ISLES 2016 для получения более подробной информации.

Таблица 1 . Участники ISLES 2016 (подробнее и основные характеристики каждого метода см. Приложение ISLES16-A1 к ISLES16-A7).

1.2.2. ОСТРОВА 2017

Как и в случае с ISLES 2016, в 2017 участникам было предложено предсказать исход поражения по данным МРТ. Набор данных ISLES 2016 был расширен до 43 пациентов для фазы обучения и 32 случаев для оценки методов (см. Таблицу 3). Для дополнительных 13 тестовых случаев, добавленных в 2017 году, была сгенерирована только одна наземная истина (в отличие от других 19 случаев из ISLES 2016, для которых существует две аннотации для каждого случая). Для ISLES 2017 участникам было предложено представить тезисы с описанием своего подхода до августа 2017 года.В середине августа тестовые данные были распространены, и две недели спустя команды смогли применить свои модели и представить окончательный прогноз. Участвующие команды и названия представленных ими аннотаций можно найти в Таблице 2 вместе с основными характеристиками каждого метода (подробное описание методологии в Приложении).

Таблица 2 . Участники ISLES 2017 (подробнее и основные характеристики каждого метода см. Приложение ISLES17-A1 к ISLES17-A14).

Доступ к данным ISLES остается открытым, так что будущие исследования можно легко сравнить с существующими эталонными тестами.

1,3. Данные и методы

1.3.1. Сбор и предварительная обработка данных

Субъектами, использованными для базы данных, были пациенты, лечившиеся от острого ишемического инсульта в университетской больнице Берна или в UMC Freiburg в период с 2005 по 2015 годы. Диагностика ишемического инсульта проводилась путем идентификации поражений на МРТ-изображениях DWI и PWI. Цифровая субтракционная ангиография использовалась для документирования проксимальной окклюзии средней мозговой артерии (сегмент M1 или M2).

Рассмотренные критерии включения пациентов: (I) выявление поражений ишемического инсульта на изображениях DWI и PWI, (II) проксимальная окклюзия средней мозговой артерии (сегмент M1 или M2), задокументированная при цифровой субтракционной ангиографии, (III) попытка эндоваскулярной терапии проводился либо путем внутриартериального тромболизиса (до 2010 г.), либо путем механической тромбэктомии (с 2010 г.), (IV) отсутствие артефактов движения во время МР-визуализации перед лечением, и (V) пациенты имели минимальный возраст 18 лет на момент инсульта.Пациенты были исключены, если они прошли чисто диагностическую ангиографию и если был обнаружен стеноз или окклюзия сонной артерии.

МРТ

выполняли на 1.5T (Siemens Magnetom Avanto) и на 3T MRI системе (Siemens Magnetom Trio). Протокол инсульта охватывал DWI всего мозга (24 среза, толщина 5 мм, время повторения 3200 мс, время эхо-сигнала 87 мс, число средних 2, матрица 256 * 256), что дало изотропные b0 и b1000, а также карты кажущихся коэффициентов диффузии (ADC), которые рассчитывались автоматически.Кроме того, для каждого случая было получено изображение T2, которое не было предоставлено участникам, но использовалось позже для создания очертаний исхода очага поражения (раздел 1.3.2). была получена последовательность эхо-эхо-планарной визуализации, время повторения 1410 мс, время эхо-сигнала 30 мс, поле зрения 230 * 230 мм, размер вокселя: 1,8 * 1,8 * 5,0 мм, толщина среза 5,0 мм, 19 срезов, 80 измерений). Изображения PWI были получены во время первого прохода стандартного болюса 0.1 ммоль / кг гадобутрола (Gadovist, Bayer Schering Pharma, Берлин, Германия). Контрастную среду вводили со скоростью 5 мл / с с последующим болюсным введением 20 мл физиологического раствора со скоростью 5 мл / с. Карты перфузии были получены блочно-круговым разложением сингулярных чисел с использованием программного обеспечения Olea-Sphere v2. 3 (Olea Medical, La Ciotat). Необработанные изображения PWI также были предоставлены участникам в виде одного 4D-изображения NifTI, чтобы группы могли использовать другой метод параметрической реконструкции карты. Все карты PWI (rBF, rBV, TTP, Tmax, MTT) жестко регистрировались в изображении ADC и автоматически удалялись из черепа (2), чтобы выделить только область мозга.Мы отмечаем, что этот этап согласования был выполнен для стандартизации этапа предварительной обработки, следовательно, чтобы исключить этот этап предварительной обработки из оценки результатов. Когорта, созданная в 2016 году, была затем расширена до более крупного набора данных для задачи 2017 года. В таблице 3 обобщены наборы данных ISLES за 2016 и 2017 годы.

Таблица 3 . Подробная информация о данных ISLES за 2016 и 2017 годы.

1.3.2. Сегментация исхода поражения наземной истиной

Статус исхода поражения вручную сегментировал сертифицированный нейрорадиолог с помощью 3D Slicer v4. 5.0-1, и на основе 90-дневного контрольного изображения T2. На каждом поперечном срезе были очерчены области максимальной протяженности последнего инфаркта, включая геморрагическую трансформацию, но исключая гипер-интенсивные области на остром изображении Т2 (т.е. инфаркты, вызванные предыдущим ХВН). Для определения очертания было выбрано последующее 90-дневное поражение, поскольку оно дает более надежный окончательный объем поражения, чем кажущийся объем поражения, который можно наблюдать на подострых изображениях. Изображения наземных источников были преобразованы в формат NIfTI для распространения среди участников.Для 19 тестовых примеров ISLES 2016 две аннотации поражений были созданы отдельными экспертами и впоследствии объединены с помощью алгоритма STAPLE (12).

1.3.3. Характеристики поражения

Мы провели корреляционный анализ, чтобы оценить возможную связь между клиническими переменными и эффективностью автоматизированных методов. Оценка проводилась по методам, представленным ISLES 2017. В таблице 4 обобщена собранная информация.

Таблица 4 .Сводка характеристик поражения для данных ISLES 2017.

1.3.4. Оценочные показатели

В качестве показателей количественной оценки представленных методов мы рассчитали показатель Dice как меру перекрытия между очерченными вручную и автоматически спрогнозированными поражениями. Чтобы еще больше пролить свет на эффект алгоритма, мы вычислили показатели точности и чувствительности. С TP истинные положительные моменты; FP, ложноположительный и FN, ложноотрицательный; показатели были определены следующим образом:

Игра в кости = 2TP2TP + FP + FN (1) Точность = TPTP + FP (2) Чувствительность = TPTP + FN (3)

Наряду с этим мы измерили максимальное поверхностное расстояние между автоматически определенным объемом и вручную очерченными объемами грунта с помощью расстояния Хаусдорфа (HD).Обозначив A _S и B _S как поверхностные вокселы наземной истины и объема сегментации соответственно, мы рассчитали:

HD (AS, BS) = max {maxaϵAS minbϵBS d (a, b), maxbϵBS minaϵAS d (b, a)} (4)

В качестве меры расстояния d (·, ·) мы использовали евклидово расстояние.

Дополнительно было вычислено среднее расстояние симметричной поверхности (ASSD) для ISLES 2016:

АССД (AS, BS) = ASD (AS, BS) + ASD (BS, AS) 2 (5)

со средним поверхностным расстоянием (ASD), определенным как:

ASD (AS, BS) = ∑aϵAsminbϵBsd (a, b)) | AS | (6)

1.3.5. Подход к ранжированию

Чтобы ранжировать материалы, представленные участниками на ISLES 2017, мы сосредоточились на оценке Dice, поскольку она сочетает в себе точность и чувствительность в одной метрике и метрике HD. Сначала оба измерения были рассчитаны для данных каждого пациента индивидуально. Затем все участники были ранжированы по каждой метрике отдельно в зависимости от конкретного случая, так что высокий результат в кости и низкий HD приводили к высокому рангу. Среднее значение обоих рангов давало ранг для конкретного случая. Общий рейтинг участника получается путем усреднения оценок по всем случаям (см. Рисунок 1).Ранги для ISLES 2016 были рассчитаны одинаково для обеих доступных наземных истин. Кроме того, ASSD был включен вместе с Dice и HD для ISLES 2016. В случае, когда команды не представили все результаты тестирования, оценки Dice были заполнены 0, а для HD было установлено большое (то есть 1e + 5) значение. Все неудачные сегменты (Dice = 0) всегда занимали последнее место. Сегментации с одинаковыми показателями получили одинаковый рейтинг.

Рисунок 1 . Схема ранжирования. Команды были отсортированы по разным показателям эффективности. E.g., оценка в кости (DC) и присвоенное значение ранга для каждого случая. Затем ранги каждой команды были отдельно усреднены в зависимости от конкретного случая. Затем был рассчитан окончательный рейтинг команды как среднее значение всех ее рангов.

1.3.6. Слияние и определение пороговых значений карт Softmax

Было показано, что объединение результатов нескольких классификаторов дает лучшие результаты, чем отдельные классификаторы. Эта концепция является основой для учащихся ансамбля, такого как случайный лес (13), а также было показано, что она полезна для сегментации опухолевых поражений (14, 15). Теоретически каждая отдельная модель может предоставить ценную дополнительную информацию для повышения общей производительности сегментации. Все представленные методы для ISLES 2017 были глубокими нейронными сетями. Они включают в себя окончательный уровень классификации, который обычно представляет собой функцию softmax, которая предоставляет выходные значения вокселей между [0, 1] (далее называемые картами softmax). Этот выходной сигнал можно интерпретировать как вероятность принадлежности воксела к данному классу (в данном случае здоровой или поврежденной ткани).Чтобы использовать потенциальную выгоду от нескольких представленных моделей, мы усреднили карты softmax пяти и трех лучших методов для каждого отдельного случая, а затем установили его порог на отметке 0,5. Более того, для карт softmax были установлены пороговые значения на различных уровнях, а затем они были преобразованы в двоичную форму, чтобы проанализировать надежность методов. Наконец, между этими двоичными изображениями и наземной истиной был вычислен счет Dice.

1.3.7. Статистический анализ

Для оценки статистических различий между представленными методами мы применили тест Фридмана, непараметрический односторонний дисперсионный анализ для повторных измерений и апостериорный тест Данна для множественного сравнения между командами.Для всех тестов мы использовали GraphPad PRISM Version 5.0.1. Уровни значимых различий отмечены на графиках звездочками (* p <0,05, ** p <0,01 и *** p <0,001).

2. Результаты

2.1. ОСТРОВА 2016

2.1.1. Разница между наблюдателями

Аннотированные объемы оценщика 1 варьируются от медианы [Q1, Q3] = 16,7 [6,1, 41,6] мл, а для оценщика 2 от медианы [Q1, Q3] = 9,0 [2,9, 36,8] мл, выявили тенденцию оценщика 1 сегментировал больше тканей как поражение, чем эксперт 2.В 18 из 19 случаев эксперт 1 обозначил большие объемы поражений, что особенно верно для довольно небольших поражений. Сравнение перекрытия между очерченными вручную очагами поражений обоих исследователей дало средний балл по Дайсу 0,58 ± 0,20 при медиане [Q1, Q3] = 0,62 [0,39, 0,77]. Относительно низкая согласованность между аннотациями экспертов показывает сложность обрисовки в общих чертах последующего изображения.

2.1.2. Таблица лидеров и статистический анализ

Таблица 5 показывает рейтинг представленных методов.Только четыре (KR-SUC, CH-UBE, HK-CHU, PK-PNS) из девяти команд смогли получить успешный прогноз поражения (Dice> 0) для всех 19 случаев. Рейтинг отражает в основном ранги команд в кубиках, за исключением CH-UBE, который занял четвертое место, несмотря на второй самый низкий средний результат в кубиках (не показан в таблице). Это можно объяснить относительно хорошим HD (не показано в таблице) по сравнению с командами, занявшими последнее место (см. Таблицу 5, места 7–9).

Таблица 5 . Таблица лидеров ISLES 2016: Рейтинг определяет окончательное значение для упорядочивания методов относительно друг друга по производительности.

Анализ результатов всех методов показал, что почти все методы превосходят US-SFT, который занял последнее место. Только PK-PNS, занявшая предпоследнее место, не обнаружила статистических отличий от US-SFT. Победившие подходы (KR-SUC, KR-SUK, KR-SUL) также показали значительно более высокие оценки в кости, чем PK-PNS. Все методы, отнесенные ко второму кластеру групп (CH-UBE, DE-UZL, HK-CUH, UK-CVI), не показали статистически значимых различий между одним и другим (см. Рисунок 2).

Рисунок 2 . Существенные различия между 9 представленными методами для ISLES 2016. Каждый узел обозначает одну участвующую команду. Связь между узлами представляет собой значительную разницу между обеими моделями прогнозирования поражения. Методы в хвостовой части стрелки указывают на превосходство над соответствующим подключенным. Чем сильнее или слабее модель, тем больше исходящих или входящих соединений (# исходящих / # входящих, соответственно) связано с узлом группы.Кроме того, насыщенность цвета узла указывает на силу метода (различия в сумме рангов теста Фридмана), при этом лучшие методы выглядят более насыщенными (т. Е. Более темно-синим). Все методы, за исключением PK-PNS, значительно лучше, чем US-SFT ( post-hoc test Dunn test p <0,05).

Сравнение оценок Dice непосредственно для обеих ручных аннотаций по отдельности выявило положительную предвзятость к истине, выдвинутой вторым оценщиком. Для всех команд среднее значение Dice для обеих наземных истин варьировалось около пяти процентных пунктов (см. Рисунок 3).

Рисунок 3 . Распределение баллов в кости, рассчитанных между автоматическим прогнозом поражения и обеими наземными истинами (GT1 и GT2) индивидуально для ISLES 2016. Для всех команд баллы в кости, вычисленные относительно рейтинга 1, были значительно ниже, чем те, которые были рассчитаны относительно второй наземной истины (GT2) .

2.2. ОСТРОВА 2017

2.2.1. Таблица лидеров

Только одна (SU) из 15 команд смогла спрогнозировать поражение после инсульта (Dice> 0) во всех 32 случаях.Изучение среднего значения Dice и HD-рейтинга для каждого раза в отдельности показало, что команда второго ранга (UL) дала более низкий рейтинг Dice, чем следующие две команды (то есть HKU-1 и INESC). Однако UL получил лучший рейтинг HD, который занял второе место (см. Таблицу 6).

Таблица 6 . Таблица лидеров ОСТРОВА 2017: В то время как ранг обозначает окончательное значение, используемое для сортировки результатов команд относительно друг друга.

2.2.2. Игральные кости, точность и чувствительность

Таблица 7 суммирует результаты участвующих команд, измеренные по количеству очков, точности и чувствительности, подчеркивая сильные стороны различных моделей.Модель Team KUL была наиболее точной, но показывала более низкую чувствительность. Модель AAMC показала наивысшую чувствительность при недостаточной точности. Хотя HKU-1 получил наивысший средний балл в кости, он занял третье место, по-видимому, из-за более низкого рейтинга HD (сравните таблицу 6). Даже модели с самым высоким рейтингом достигли низкого среднего балла Дайса около 0,3, что подчеркивает значительную сложность прогнозирования поражения.

Таблица 7 . Средний балл Dice, точность и чувствительность для отдельных команд по всем 32 случаям ISLES 2017.

Анализ баллов Dice для каждого случая выявил широкий диапазон качества прогноза исхода поражения. Хотя есть несколько случаев (28–32), когда средний балл Dice был выше 0,5, большинство случаев оказалось трудно предсказать. В 14 случаях, по крайней мере, одна команда достигла прогноза, который на 50% совпадал с достоверностью данных (рис. 5). В шести случаях (1–5, 9) ни одна из команд не достигла общего среднего значения Dice (0,23).

Рисунок 4 . Показатели эффективности для всех команд ISLES 2017.Команды с более высоким рейтингом (например, SNU-2, занявшие 1-е место) в некоторых случаях достигли значений Dice> 0,7, однако общие оценки Dice сгруппированы в районе 0,2–0,3. Две команды, занявшие последнее место (NEU и HKU-2), показали гораздо более низкие оценки Dice, чем все другие команды, что было следствием небольшого количества успешных заявок. Модель UM казалась наиболее чувствительной для обнаружения поражений, но ей не хватало точности.

Рисунок 5 . Набранные очки за каждый случай во всех 15 участвующих командах, отсортированные по среднему значению.Пунктирная линия показывает общий средний результат в кости 0,23 (красный) и отметку 0,5 (черный). Обратите внимание, что номера случаев были присвоены в соответствии с возрастающим средним баллом в кости.

2.2.3. Статистическое сравнение выступлений команд

На рис. 6 показано сравнение результатов команды, набранной кубиками на наборе тестовых данных. Каждый метод, представленный как узел, подключается к другим методам при обнаружении статистических различий в оценках игральных костей. Методы, связанные с узлами с большим количеством исходящих и меньшим количеством входящих соединений, могут считаться более сильными, чем другие с меньшим количеством исходящих или большим количеством входящих соединений.Узлы для более сильных моделей были дополнительно сгруппированы и обозначены более насыщенным цветом. Это визуально выделяет команду-победительницу SNU-2, которая в целом показала более высокие баллы Dice для прогнозируемых поражений, чем другие шесть команд, в то время как ни один из других методов не был значительно лучше. За ним следуют HKU-1 и INESC, каждый из которых имеет пять выходных ребер. Два наихудших метода (NEU, HKU-2) не смогли полностью спрогнозировать поражения для нескольких субъектов, что привело к низкой производительности, уступающей большинству команд (9 и 10 соответственно).

Рисунок 6 . Существенные различия между 15 методами, представленными на ISLES 2017. Каждый узел обозначает одну участвующую команду. Связь между двумя узлами представляет собой значительную разницу между обеими моделями прогнозирования поражения, тогда как методы на задней стороне были лучше. Чем сильнее или слабее модель, тем больше исходящих или входящих соединений (# исходящих / # входящих) связано с узлом команды. Кроме того, насыщенность цвета узла указывает на силу метода, при этом лучшие методы выглядят более насыщенными. Различия между методами оценивали с помощью непараметрического дисперсионного анализа с повторными измерениями (тест Фридмана) и последующим попарным сравнением с тестом Данна ( p <0,05).

2.2.4. Эффективность одиночных моделей в сравнении с ансамблями

Как упоминалось в разделе 1.3.6, мы объединили карты softmax, чтобы создать ансамбль из пяти лучших (E5 = SNU-1, SNU-2, UL, INESC, KUL) и трех лучших (E3 = SNU-2, UL, INESC) составили рейтинг команд и сравнили оба ансамбля с их индивидуальными моделями.Все включенные модели не имели существенно различающихся распределений очков по сравнению друг с другом (см. Рисунок 6).

На рис. 7 показано, что оценки в игральных костях обоих ансамблей были распределены примерно так же, как и в отдельных моделях. Ансамбль E3 не привел к улучшенным характеристикам, хотя средний балл Dice (0,28) был выше по сравнению с ансамблем E5 (0,25) и командой-победителем SNU-2 (0,26). Аналогичным образом, его средняя точность была выше (0,34), хотя и не была статистически значимой, чем у большинства отдельных моделей (SNU-1, SNU-2, UL, INESC). Однако средняя чувствительность E3 (0,51) может быть выше, чем у SNU-1 (0,44).

Рисунок 7 . Статистическое сравнение эффективности прогнозирования поражения отдельных моделей по сравнению с ансамблями. Левый : ансамбль из пяти моделей (E5) может улучшить оценку Dice по сравнению с двумя более слабыми моделями (SNU-1 p <0,01, UL p <0,05). Однако этот эффект не наблюдался при построении ансамбля из трех моделей (E3). Средний : ансамбль E5 значительно повысил точность по сравнению с большинством отдельных моделей (SNU-1 p <0,01, SNU-2 p <0,05, UL p <0,001, INESC p <0,01 ). Точность KUL была выше или схожа с точностью ансамблей, не показывая существенной разницы. Справа : Было обнаружено, что ансамбль E3 более чувствителен к прогнозированию поражения, чем модель SNU-1. В целом модели показывают неплохую способность обнаруживать поражения.* p <0,05, ** p <0,01 и *** p <0,001.

Напротив, ансамбль E5 дал значительно лучший средний балл Dice (0,31), чем UL (0,28, p <0,05) и SNU-1 (0,26, p <0,01). Среди пяти команд, чьи модели использовались для построения ансамбля, SNU-1 занял самое низкое место, что объясняет, почему E5 работал значительно лучше, чем SNU-1 сам по себе. Хотя чувствительность ансамбля не была улучшена, объединение всех карт softmax вместе значительно повысило точность по сравнению с четырьмя отдельными моделями ( p <0.01, ИНЕС, СНУ-1, СНУ-2, УЛ).

На рис. 8 показан пример карт softmax различных участников, а также объединенных карт softmax обоих ансамблей (E3 и E5). В то время как карты softmax от INESC и SNU-2 показали аналогичные значения достоверности для прогнозируемого поражения, карты softmax других трех команд оказались более неоднородными. В отличие от сглаженных структур типа капли, предсказанных SNU-1, SNU-2, INESC и KUL, модель UL предоставила более подробную информацию о границах.Это также согласуется с выводами о том, что UL имеет наивысший рейтинг HD (см. Таблицу 6), поскольку этот показатель учитывает близость границ. Оценки в кости прогнозов поражения для этого конкретного пациента не могли быть улучшены с помощью ансамблей (Dice _{E 5} = 0,76, Dice _{E 3} = 0,73) по сравнению с отдельными командами (Dice _{SNU — 1} = 0,76, Dice _{SNU −2} = 0,74, Dice _UL = 0,60, Dice _INESC = 0.70, игральные кости _KUL = 0,69).

Рисунок 8 . Пример различных карт softmax для одного пациента. Верхний ряд: сканирование диффузии (ADC) и перфузии (TTP) и соответствующая ручная аннотация поражения (LABEL) и карты softmax ансамблей пяти лучших (E5) и трех лучших (E3) команд. Нижний ряд: карты Softmax пяти лучших команд. Форма и достоверность (см. Цветовую шкалу) прогнозируемого поражения различаются у разных участников.

2.2.5. Анализ надежности прогноза результатов Lesiron

Мы вычислили баллы Dice между очерченными вручную наземными точками поражения и картами softmax с разными пороговыми значениями и бинаризацией для пяти лучших команд. Для четырех команд (SNU-2, UL, INESC и SNU-1) оценки в кости казались достаточно надежными и сосредоточены вокруг начального порога 0,5. Прогнозы SNU-2 и INESC различаются только примерно на 1 процентный пункт для разных пороговых значений (см. Приложение: Таблица A1).В качестве исключения слой softmax в KUL, установленный на более низком уровне 0,3, привел к более высокому баллу Dice (0,28) по сравнению с более низким Dice (0,26) при пороговом уровне 0,5. Этот эффект согласуется с предыдущими выводами (см. Таблицу 7 и Рисунок 4) о том, что KUL дает высокоточные прогнозы с относительно низкой чувствительностью. Установление порога на более низком уровне могло бы назначить больше вокселов классу поражения, следовательно, повысило чувствительность модели и эффективно улучшило показатели Dice.

Таблица A1 .Зависимость от порога игры в кости для карт softmax.

Таблица A2 . Обзор методов участников ISLES 2016.

Таблица A3 . Обзор методов участников ISLES 2017.

2.2.6. Корреляция объемов поражения

При сравнении прогнозируемых объемов поражения с очерченными вручную объемами поражений для пяти лучших команд, как указано в разделе 2.2.4, мы обнаружили значительную корреляцию только для SNU-1 (коэффициент Спирмена r = 0.39) и для СНУ-2 (коэффициент Спирмена r = 0,37). Представление всех других команд и ансамблей не коррелировало с аннотациями человека-оценщика с коэффициентами Спирмена в диапазоне от 0,28 (UL) до 0,35 (E5). Как и ожидалось, оценки Dice всех моделей значительно коррелировали с объемами поражения, так что чем выше объем, тем выше оценки Dice. Коэффициенты Спирмена были самыми высокими для UL (0,72), INESC (0,71) и E3 (0,70) и самыми низкими для KUL (0,41) и SNU-1 (0,55).Были найдены средние коэффициенты Спирмена для SNU-2 (0,59) и E5 (0,68).

3. Обсуждение

3.1. Текущая эффективность методов прогнозирования исхода инсульта

Результаты ISLES 2016 показали, что модели глубокого обучения превосходят модели Random Classification Forests (RF). Однако не было обнаружено неоспоримого превосходства глубокого обучения над другими подходами к машинному обучению, о чем свидетельствуют подходы на основе CNN, которые также занимают нижние позиции. Анализ точности и чувствительности выявил тенденцию моделей давать завышенные сегменты поражения.Большая вариабельность оцениваемых показателей может быть объяснена сильной корреляцией между производительностью и размерами поражения.

Обсуждения во время сессии ISLES 2016 привели к решению обогатить существующий набор данных ISLES для дальнейшего поощрения участия сообщества компьютерных наук. В частности, подходы, основанные на данных, такие как алгоритмы глубокого обучения, могут действительно выиграть от больших наборов данных. Следовательно, в ISLES 2017 набор данных для обучения и тестирования был расширенными версиями наборов для обучения и тестирования, используемых в ISLES 2016.За оба года данные были предоставлены в формате с минимальной предварительной обработкой. Это должно позволить более прямое сравнение различных моделей прогнозирования хода без влияния каких-либо конкретных шагов предварительной обработки. Конечно, расширенная обработка может способствовать прогнозированию результатов для тканей, однако мы утверждаем, что наше внимание при решении проблем лежит на разработке модели. Кроме того, применяемые шаги предварительной обработки были сведены к минимуму и являются общепринятыми методами, такими как совместная регистрация.Это не помешало участникам продолжить обработку предоставленных данных. Хотя команды также частично имели доступ к необработанным данным (то есть к необработанным данным перфузии), все они предпочитали работать с предварительно обработанными данными.

Все участвующие команды ISLES 2017 предложили подход глубокого обучения с лучшими методами, основанными на архитектуре CNN. Несмотря на увеличенный размер обучающих данных, общая производительность на удивление не сильно отличалась от ISLES 2016. Было обнаружено, что модели с самым высоким рейтингом работают на аналогичном уровне, имея схожие архитектуры и системные характеристики.Даже ансамбли разных CNN были недостаточно сильны, чтобы еще больше повысить производительность. Эти результаты предполагают, что производительность CNN, возможно, достигла плато на этом наборе данных. Дальнейшие исследования должны быть сосредоточены на улучшенных стратегиях обучения для CNN или на разработке новых методологий для прогнозирования исходов поражения при инсульте. Повышение эффективности, особенно при небольших поражениях, и включение информации, не связанной с изображениями, может иметь большой потенциал для улучшения.

Было показано, что ансамблевые подходы или объединение результатов могут улучшить предсказания сегментации (14, 15).Наши результаты показывают, что ансамблевые подходы имели тенденцию работать лучше, чем отдельные модели. Несмотря на неулучшенную чувствительность ансамблей, объединение всех карт softmax вместе значительно повысило точность по сравнению с четырьмя отдельными моделями. Это говорит о снижении количества ложноположительных прогнозов. Однако этот эффект был недостаточно сильным, чтобы привести к статистическому улучшению по сравнению с одним методом, получившим наивысший рейтинг. Также было не совсем ясно, какая модель способствовала повышению или ухудшению характеристик.Фактически, заявки на ISLES 2017 включали как отдельные нейронные сети, так и ансамбли, но рейтинг не отражал общего превосходства ансамблевых методов. Хотя комбинация нескольких слабых классификаторов может нивелировать ограничения отдельной модели, тем не менее важно создать ансамбль сильных методов, чтобы использовать преимущества и оправдать увеличенные вычислительные затраты подходов на основе ансамбля.

Изучение карт softmax каждой участвующей команды было мотивировано для анализа их потенциала, чтобы описать их правильность и уверенность в выполнении задачи.Поскольку эти модели предназначены для прогнозирования исхода поражения при инсульте, мы постулируем, что калибровка модели является важным аспектом для будущего анализа моделей глубокого обучения, используемых для прогнозирования поражения при инсульте. В частности, необходимо будет изучить, как емкость модели, регуляризация и нормализация могут повлиять на калибровку модели, несмотря на очевидное повышение точности модели (16).

Наши результаты подтверждают использование различных показателей ранжирования и согласуются с результатами, представленными в Maier et al.(2). Например, команда UL заняла второе место в ISLES 2017 благодаря своему наивысшему рейтингу HD, несмотря на то, что ей был присвоен относительно низкий рейтинг Dice 6,16, что соответствует четвертому месту в таблице лидеров.

В целом сложность задачи отражается низкими показателями Dice, при этом у лучших методов средний рейтинг Dice равен 0,3. Низкие оценки моделей Dice можно объяснить сложностями, присущими задаче прогнозирования. В отличие от сегментации очага поражения при инсульте, модели исходов поражения при инсульте обучены предсказывать состояние поражения на 90-дневном последующем снимке на основе информации об остром образовании.По своей сути, многие факторы способствуют восстановлению ткани или инфаркту, которые явно или неявно не характеризуются в визуальной информации, полученной во время инсульта.

3.2.

Ограничения и оставшиеся проблемы

Если посмотреть на эволюцию ISLES за последние 3 года, можно заметить четкое совпадение методологий. Хотя для ISLES 2015 и 2016 были изучены классические модели машинного обучения, такие как RF, во всех материалах ISLES 2017 предлагались варианты CNN.Обладая неоспоримыми преимуществами и успехом, методы глубокого обучения установили новые передовые стандарты во многих дисциплинах. Хотя в настоящее время это было бы разумным направлением для разработки дальнейших методов сегментации поражений при инсульте и прогнозирования исходов, будущие задачи должны будут стимулировать исследование более разнообразных моделей. В частности, мы отмечаем важность разработки методологий, способных включать клиническую и физиологическую априорную информацию об инсульте, инфаркте и выздоровлении.

Сравнение автоматического прогнозирования исхода поражения с обеими экспертными аннотациями по отдельности (ISLES 2016) показало систематическое смещение в сторону более высокого соответствия с оценкой 2. Хотя это подчеркивает важность общей базы данных для сравнения алгоритмов, оно также раскрывает общую основную дилемму. контролируемых методов обучения и внутренней вариабельности между экспертами, наблюдаемой в приложениях медицинской визуализации. В лучшем случае алгоритмы, которые обучаются исключительно на основе человеческих комментариев, будут не хуже лучших человеческих оценщиков и неизбежно изучат человеческие заблуждения.Преодоление этого ограничения требует использования методов полу- и неконтролируемого обучения, чтобы научить компьютер более точно обнаруживать патологические ткани мозга, а также учитывать межэкспертную изменчивость как источник информации в процессе обучения (17). Тем не менее, справедливой и последовательной оценки таких методов еще предстоит добиться. Кроме того, наша оценка подвергается сомнению из-за разного уровня знаний в каждой команде. Хотя существует явная тенденция к тому, что CNN в целом обеспечивают лучшие результаты, чем RF, некоторые CNN получили самый низкий рейтинг. Это скорее указывает на потенциальные недостатки схемы обучения, чем на недостаток этого класса моделей в целом.

Еще одна проблема — интерпретируемость результатов прикладных моделей. Хотя модели желательны для прогнозирования поражений с высокой точностью и уровнем достоверности, они могут содержать ценную информацию в неопределенности модели для принятия клинических решений. Что касается прогноза исхода поражения, неопределенность может дать, например, лучший индикатор ткани, подверженной риску инфаркта (например,g., наивно полагал: высокая достоверность означает высокий риск стать пораженной тканью, в то время как низкая достоверность может отражать ткань, которая, вероятно, будет здоровой в будущем). Для будущих задач мы рекомендуем попросить команды предоставить небинарные выходные карты (например, карты softmax), которые поддерживают такой анализ. Большинство методов действительно лучше всего работают при включении многопараметрической информации, однако необходимо будет изучить базу данных, как в Pereira et al. (18), чтобы узнать, какие последовательности MR важны и в какой степени.

4. Заключение

За последние годы команде ISLES удалось создать постоянно расширяющуюся базу данных МРТ для МРТ поражений ишемического инсульта. Благодаря этому общедоступному набору данных и постоянно открытой системе оценки ISLES потенциально может служить стандартной структурой эталонных тестов, где исследователи могут тестировать свои алгоритмы в сравнении с существующим пулом описанных и сравниваемых методов (14 методов ISLES 2015 для сегментации поражений и 28 ISLES 2015, 2016 и 2017 методы прогнозирования исходов поражения).Несмотря на огромные усилия и достижения, представленные на ISLES, автоматическая сегментация поражений после инсульта и, более того, прогнозирование исходов поражения остаются сложной задачей. Подходы с глубоким обучением имеют большой потенциал для использования клинической рутины для пациентов с поражением инсульта, но последние годы прогресса в ISLES показывают, что необходимы дальнейшие разработки для поддержки принятия клинических решений путем включения визуализации и легко доступной клинической информации без визуализации, моделирования побочного потока, и дальнейшее улучшение интерпретируемости систем глубокого обучения, используемых для принятия клинических решений пациентами с инсультом.

Заявление об этике

Все наборы данных были полностью анонимны за счет снятия черепов и удаления всей информации о пациентах путем преобразования файлов с игральными костями в изящные объемные файлы в соответствии с положениями Швейцарского закона о исследованиях на людях. Дополнительная информация добавлена ​​ниже для полноты (на немецком языке). Anonymisierung: Unter anonymisiertem biologischem Material und anonymisierten gesundheitsbezogenen Daten ist die необратимый Aufhebung des Personenbezuges zu verstehen.Eine solche liegt dann vor, wenn Material bzw. Datenüberhaupt nicht oder nur mit einem un-verhältnismässig grossen Aufwand an Zeit, Kosten und Arbeitskraft der betreffenden Person zugeordnet werden können (vgl. Art. 3 Bst. I HFG und Art. 25 Abs. 1 HFV). Wann den Anforde-rungen an eine korrekte Anonymisierung Genüge getan ist, ist je nach Einzelfall zu entschei-den: Die Streichung nur des Namens kann bei einer sehr grossen Datenmenge (grosse Perso-nenpopulation) genügen, auch wenpopulation, genügen. B. Geburtsjahr) verbleiben. Ist die betroffene Population jedoch sehr klein, so ist das Entfernen nur des Namens nicht ausreichend (vgl. Botschaft zum HFG, S. 8096). Insbesondere unkenntlich gemacht oder gelöscht wer-den müssen Namen, Adresse, Geburtsdatum und eindeutig kennzeichnende Identifikati-onsnummern (Статья 25 Abs. 2 HFV). Das im ursprünglichen Art. 14 HFG (vgl. Botschaft zum HFG, S. 8105) vorgesehene Ver-bot der Anonymisierung von biologischem Material bzw. Personendaten bei Forschungsprojek-ten mit Bezug zu schweren Krankheiten wurde auf Antrag der vorberatenden Kommission vom Nationalrat gestrichen (vgl.Amtliches Bulletin des Nationalrats, 09.079, Verhandlung vom 10.03.2011). Hintergrund war vermutungsweise das в ст. 32 Абс. 3 HFG festgelegte Informa-tions- und Widerspruchsrecht der Patienten bei Forschung mit anonymisiertem biologischen Material und genetischen Daten. Dadurch sind die Patienten nämlich ausreichend geschützt, ein zusästzliches Verbot schien vor diesem Hintergrund wohl obsolet. Mit Streichung des ur-sprünglichen Artikels 14 HFG ist die Forschung mit anonymisiertem biologischem Material также auch bei Forschungsprojekten mit Bezug zu schweren Krankheiten zulässig, sofern die betroffenen Personen vorgängierchordenreviews, Inc.

Взносы авторов

SW, AH и MR собрали данные, провели анализ, написали рукопись. RM, RW, JP, VA, CS, MP, MB, EK, MM, AO, YC, YK, MP, BK, J-HW, MI, HR, DR, PS, YN, EG, JX, JMP, GZ, EK, CL, MH, LC, PA, AB, KC, JB, JK-C, LR, LD и OM провели анализ, написали рукопись.

Финансирование

Fundacao para a Ciencia e Tecnologia (FCT), Португалия (номер стипендии PD / BD / 113968/2015). FCT с UID / EEA / 04436/2013, за счет средств FEDER через COMPETE 2020, POCI-01-0145-FEDER-006941.NIH Blueprint for Neuroscience Research (T90DA022759 / R90DA023427) и Национальный институт биомедицинской визуализации и биоинженерии (NIBIB) Национальных институтов здравоохранения под номером 5T32EB1680. Авторы несут полную ответственность за содержание, которое не обязательно отражает официальную точку зрения Национальных институтов здравоохранения. PAC-PRECISE-LISBOA-01-0145-FEDER-016394. FEDER-POR Lisboa 2020-Programa Operacional Regional de Lisboa PORTUGAL 2020 и Fundação para a Ciência e a Tecnologia.Вычислительные ресурсы на базе графического процессора предоставлены MGH и Высшей школой исследований клинических данных BWH для вычислений в медицине и науках о жизни, финансируемой Германской инициативой совершенства [DFG GSC 235/2]. Национальный исследовательский фонд Кореи (NRF) MSIT, NRF-2016R1C1B1012002, MSIT, № 2014R1A4A1007895, NRF-2017R1A2B4008956 Швейцарский национальный научный фонд-DACH 320030L_163363.

Заявление о конфликте интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могут быть истолкованы как потенциальный конфликт интересов.

Сноски

Список литературы

1. Литдженс Дж., Куй Т., Бейнорди Б. Э., Сетио ААА, Чомпи Ф., Гафуриан М. и др. Обзор по глубокому обучению в области анализа медицинских изображений. Med Image Anal . (2017) 42: 60–88. DOI: 10.1016 / j.media.2017.07.005

PubMed Аннотация | CrossRef Полный текст | Google Scholar

2. Майер О., Менце Б. Х., фон дер Габленц Дж., Хани Л., Генрих М. П., Либранд М. и др. ISLES 2015-Публичный эталонный тест для сегментации очагов ишемического инсульта с помощью мультиспектральной МРТ. Med Image Anal . (2017) 35: 250–69. DOI: 10.1016 / j.media.2016.07.009

PubMed Аннотация | CrossRef Полный текст | Google Scholar

3. МакКинли Р., Хани Л., Гралла Дж., Эль-Кусси М., Бауэр С., Арнольд М. и др. Полностью автоматизированная оценка ткани инсульта с использованием случайных лесных классификаторов (БЫСТРЕЕ). J Cereb Blood Flow Metab . (2017) 37: 2728–41. DOI: 10.1177 / 0271678X16674221

PubMed Аннотация | CrossRef Полный текст | Google Scholar

4. Пустина Д., Кослетт Х., Туркельтауб П.Е., Тастисон Н., Шварц М.Ф., Авантс Б.Автоматическая сегментация очагов хронического инсульта с использованием LINDA: идентификация очагов поражения с анализом данных о районе. Карта человеческого мозга . (2016) 37: 1405–21. DOI: 10.1002 / HBM.23110

PubMed Аннотация | CrossRef Полный текст | Google Scholar

5. Герреро Р., Цинь С., Октай О, Боулз С., Чен Л., Джоулс Р. и др. Гиперинтенсивность белого вещества и сегментация и дифференциация поражений при инсульте с использованием сверточных нейронных сетей. Клиника NeuroImage . (2018) 17: 918–34.DOI: 10.1016 / j.nicl.2017.12.022

PubMed Аннотация | CrossRef Полный текст | Google Scholar

6. Лукас К., Майер О., Генрих М.П. Мелкие полносвязные нейронные сети для сегментации ишемического инсульта и поражения в МРТ. В: Maier-Hein, geb. Fritzsche K, Deserno, geb. Леманн Т., Хандельс Х., Толксдорф Т., редакторы. Bildverarbeitung für die Medizin 2017 . Берлин; Гейдельберг: Springer (2017). п. 261–6.

Google Scholar

7. Камницас К., Ледиг С., Ньюкомб В.Ф., Симпсон Дж. П., Кейн А. Д., Менон Д. К. и др.Эффективная многомасштабная 3D CNN с полностью подключенным CRF для точной сегментации поражения головного мозга. Med Image Anal. (2017) 36: 61–78. DOI: 10.1016 / j.media.2016.10.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

8. Чен Л., Бентли П., Рюкерт Д. Полностью автоматическая сегментация острых ишемических поражений в DWI с использованием сверточных нейронных сетей. Клиника NeuroImage . (2017) 15: 633–43. DOI: 10.1016 / j.nicl.2017.06.016

PubMed Аннотация | CrossRef Полный текст | Google Scholar

9.Мензе Б.Х., Ван Лемпут К., Лашкари Д., Риклин-Равив Т., Геремия Э., Альбертс Э. и др. Генеративная вероятностная модель и отличительные расширения для сегментации поражения головного мозга — применительно к опухолям и инсульту. IEEE Trans Med Imaging (2016) 35: 933–46. DOI: 10.1109 / TMI.2015.2502596

PubMed Аннотация | CrossRef Полный текст | Google Scholar

10. Хаваи М., Гизард Н., Ларошель Х., Йодоин П.М. Тенденции глубокого обучения для сегментации очаговых патологий головного мозга в МРТ. В: Машинное обучение для информатики здравоохранения . Спрингер (2016). С. 125–48.

Google Scholar

11. Кистлер М., Бонаретти С., Пфахрер М., Никлаус Р., Бюхлер П. База данных виртуального скелета: репозиторий с открытым доступом для биомедицинских исследований и сотрудничества. J Med Int Res . (2013) 15: e245. DOI: 10.2196 / jmir.2930

PubMed Аннотация | CrossRef Полный текст | Google Scholar

12. Варфилд С.К., Цзоу К.Х., Уэллс В.М. Одновременная оценка истинности и эффективности (STAPLE): алгоритм проверки правильности сегментации изображения. IEEE Trans Med Imaging (2004) 23: 903–21. DOI: 10.1109 / TMI.2004.828354

PubMed Аннотация | CrossRef Полный текст | Google Scholar

14. Камницас К., Бай В., Ферранте Э., МакДонах С., Синклер М., Павловски Н. и др. Ансамбли из нескольких моделей и архитектур для надежной сегментации опухолей головного мозга. arXiv [Препринт]. arXiv: 171101468. (2017).

Google Scholar

15. Крими А., Бакас С., Куиджф Х. , Мензе Б., Рейес М. Поражение мозга: глиома, рассеянный склероз, инсульт и травмы головного мозга.В: Третий международный семинар, BrainLes 2017, проведенный совместно с MICCAI 2017, 14 сентября 2017 г., Пересмотренные избранные доклады. Т. 10670. Квебек, Квебек: Спрингер (2018).

Google Scholar

16. Чуан Г., Джефф П., Ю С., Килиан В. У. О калибровке современных нейронных сетей. CoRR . 2017; абс / 1706.04599. Доступно в Интернете по адресу: http://arxiv.org/abs/1706.04599

17. Юнго А., Мейер Р., Эрмис Э., Блатти-Морено М., Херрманн Э., Вист Р. и др.О влиянии вариабельности между наблюдателями для надежной оценки неопределенности сегментации медицинских изображений. arXiv [Препринт]. arXiv: 180602562 (2018).

Google Scholar

18. Перейра Рафаэль М., Ричард М., Роланд В., Виктор А., Карлос С. и др. Повышение интерпретируемости автоматически извлекаемых функций машинного обучения: приложение к системе RBM-Random Forest для сегментации поражений головного мозга. Med Image Anal . (2018) 44: 228–44. DOI: 10.1016 / j.СМИ.2017.12.009

CrossRef Полный текст | Google Scholar

19. Чжао Х, Ши Дж, Ци Х, Ван Х, Цзя Дж. Сеть анализа сцены пирамиды. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) . Гонолулу (2017) стр. 2881–90.

Google Scholar

20. Paszke A, Chaurasia A, Kim S, Culurciello E. Enet: архитектура глубокой нейронной сети для семантической сегментации в реальном времени. arXiv [Препринт]. arXiv: 160602147 (2016).

Google Scholar

21.Sudre CH, Li W, Vercauteren T, Ourselin S, Cardoso MJ. Обобщенные игральные кости перекрываются как функция потери глубокого обучения для сильно несбалансированных сегментов. В: Deep Learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support . Квебек: Springer (2017). п. 240–8.

Google Scholar

22. Хаваи М., Дэви А., Вард-Фарли Д., Биард А., Курвиль А. , Бенжио Ю. и др. Сегментация опухоли головного мозга с помощью глубоких нейронных сетей. Med Image Anal .(2017) 35: 18–31. DOI: 10.1016 / j.media.2016.05.004

PubMed Аннотация | CrossRef Полный текст | Google Scholar

23. Li W, Manivannan S, Akbar S, Zhang J, Trucco E, McKenna SJ. Сегментация желез на гистологических изображениях толстой кишки с использованием созданных вручную функций и сверточных нейронных сетей. В: Biomedical Imaging (ISBI), 2016 IEEE 13th International Symposium on. IEEE. Прага (2016) стр. 1405–8.

Google Scholar

24. içek Ö, Abdulkadir A, Lienkamp SS, Brox T, Ronneberger O.3D U-Net: изучение плотной объемной сегментации из разреженных аннотаций. В: Международная конференция по медицинской обработке изображений и компьютерному вмешательству . Афины: Springer (2016). п. 424–32.

Google Scholar

25. Гудфеллоу И., Пуже-Абади Дж., Мирза М., Сюй Б., Вард-Фарли Д., Озаир С. и др. Генеративные состязательные сети. В: Достижения в системах обработки нейронной информации. Монреаль, Квебек (2014). п. 2672–80.

Google Scholar

27.Симонян К., Зиссерман А. Очень глубокие сверточные сети для распознавания крупномасштабных изображений. arXiv [Препринт]. arXiv: 1409.1556 (2014).

Google Scholar

28. Чен Х, Ю Л, Доу К., Ши Л., Мок В. К., Хэн ПА. Автоматическое обнаружение церебральных микрокровоизлияний с помощью трехмерного представления функций на основе глубокого обучения. В: Biomedical Imaging (ISBI), 12-й международный симпозиум IEEE по IEEE, 2015 г. Нью-Йорк, Нью-Йорк (2015). п. 764–7.

Google Scholar

29.He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений. В: Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR) . Лас-Вегас, Невада (2016). п. 770–8. DOI: 10.1109 / CVPR.2016.90

CrossRef Полный текст | Google Scholar

30. Чой Й, Квон И, Ли Х, Ким Би Джей, Пайк М. С., Вон Дж. Ансамбль глубоких сверточных нейронных сетей для прогноза ишемического инсульта. В: Международный семинар по поражению мозга: глиома, рассеянный склероз, инсульт и травмы головного мозга .Афины: Springer (2016). п. 231–43.

Google Scholar

31. Люк П., Купри С., Чинтала С., Вербик Дж. Семантическая сегментация с использованием состязательных сетей. arXiv [Препринт]. rXiv: 161108408. (2016).

Google Scholar

32. Майер О., Вильмс М., фон дер Габленц Дж., Кремер У.М., Мюнте Т.Ф., Хандельс Х. Дополнительные лесные массивы для сегментации очагов подострого ишемического инсульта в МР-последовательностях. J Neurosci Methods (2015) 240: 89–100. DOI: 10.1016 / j.jneumeth.2014.11.011

PubMed Аннотация | CrossRef Полный текст | Google Scholar

33. Миллетари Ф, Наваб Н., Ахмади С. V-Net: Полностью сверточные нейронные сети для объемной сегментации медицинских изображений. CoRR . Доступно в Интернете по адресу: http://arxiv. org/abs/1606.04797 (2016).

34. Варма М., Зиссерман А. Статистический подход к классификации текстур по одиночным изображениям. Int J Comput Vis . (2005) 62: 61–81. DOI: 10.1007 / s11263-005-4635-4

CrossRef Полный текст | Google Scholar

35.Хуанг Г., Лю З., Вайнбергер К. К., ван дер Маатен Л. Плотносвязные сверточные сети. В: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition . Vol. 1. Гонолулу (2017). п. 3.

Google Scholar

36. Роннебергер О., Фишер П., Брокс Т. U-net: сверточные сети для сегментации биомедицинских изображений . Мюнхен: CoRR; Спрингер (2015). п. 234–41.

Google Scholar

37. Лонг Дж., Шелхэмер Э., Даррелл Т.Полностью сверточные сети для семантической сегментации. В: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Бостон, Массачусетс (2015). п. 3431–40.

PubMed Аннотация | Google Scholar

38. Чен Х, Ци Х, Ченг Дж. З., Хэн ПА. Глубокие контекстные сети для сегментации нейронных структур. В: Феникс А., Дейл С., Майкл В., редакторы. Труды тридцатой конференции AAAI по искусственному интеллекту (2016). п. 1167–1173.

Google Scholar

40.Фрейкс В.Б., Баеза-Йейтс Р. Поиск информации: структуры данных и алгоритмы . Vol. 331. Верхняя Сэдл Ривер, Нью-Джерси: Прентис Холл Энглвуд Клиффс (1992).

41. Чо К., Ван Мерриенбоер Б., Бахданау Д., Бенжио Ю. О свойствах нейронного машинного перевода: подходы кодировщика-декодера. arXiv [Препринт]. arXiv: 1409.1259 (2014).

Google Scholar

A. Приложение

В следующих разделах кратко описаны алгоритмы участников.

А.1. ОСТРОВА 2016

A.1.1. ОСТРОВА16-А1. CH-UBE — включение времени до реперфузии в более быструю модель инсульта, подверженная риску

Авторы: Ричард МакКинли, Роланд Уист и Маурисио Рейес

В недавней статье мы представили инструмент FASTER (полностью автоматизированная оценка тканей инсульта с использованием случайных лесов) (3), цель которого — дать оценку ткани, подверженной риску острого инсульта, за пределами обычной парадигмы предопределенных пороговых значений на отдельных картах. Система FASTER оценивает вероятность повреждения ткани с помощью классификаторов леса решений, отображая локальные статистические характеристики перфузионного и диффузионного изображения на карты ткани, которая, по прогнозам, будет потеряна, даже если реперфузия будет установлена, и ткань, по прогнозам, будет потеряна, только если нет реперфузия. Эти модели обучаются только в крайних случаях, когда реперфузия была полной и быстрой (TICI 3) или полностью отсутствовала (TICI 0). В этой работе мы пытаемся пойти дальше, прогнозируя вероятную потерю ткани в случае 1-2b степени по шкале TICI, путем интерполяции между двумя прогнозами, полученными с помощью FASTER, и включения времени до реваскуляризации.

A.1.1.1. Благодарности

Авторы выражают признательность Schweizerische Herzstiftung за поддержку.

A.1.2. ОСТРОВА16-A2. DE-UZL — Случайные леса для поражения инсульта и прогноз клинических исходов

Авторы: Оскар Майер и Хайнц Хандельс

Ишемический инсульт вызывается обструкцией церебрального кровоснабжения, и при ранней диагностике часть ткани с недостаточной перфузией потенциально может быть спасена. Поскольку доступные варианты лечения небезопасны, решение следует принимать индивидуально, в зависимости от потенциальной выгоды и в условиях значительных ограничений по времени.Поэтому прогнозирование окончательного исхода поражения в форме бинарной маски (задача I) и прогнозирование клинического исхода в форме модифицированной шкалы Рэнкина (mRS) (задача II) представляют большой клинический интерес. Задача ISLES 2016 предлагает общедоступный набор данных и соответствующую экспертную достоверную информацию, позволяющую исследователям напрямую и объективно сравнивать свои методы в этих двух областях. Наш вклад работает с тщательно отобранными функциями, извлеченными из последовательностей MR и используемыми для обучения RF. Данные состоят из мультиспектральных (АЦП, карты PWI и необработанные объемы PWI 4D) и связанных с ними клинических измерений.Окончательный исход поражения, определенный при последующем сканировании через 90 дней (Задача I), и оценка по шкале mRS через 90 дней (Задача II) служат в качестве основополагающей истины. Более подробную информацию о данных можно найти на сайте www.isles-challenge.org. Задача I: Прогноз исхода поражения Из каждой МР-последовательности мы извлекаем признаки, ранее представленные в (32), но, кроме того, применяем меру полушарийной разницы, чтобы использовать псевдоколичественные значения, предоставленные картами PWI. Для классификации по вокселям мы используем RF. Задача II: Прогнозирование клинического исхода На основе результатов сегментации из Задачи I мы извлекаем характеристики поражения, а также локальные особенности изображения из предоставленных случаев для обучения леса регрессии.В применении, это дает прогноз показателя mRS для ранее невидимого случая. Было показано, что наш метод обеспечивает конкурентные результаты сегментации поражения при сегментации глимо, а также острого и полуострого инсульта в выпуске ISLES в прошлом году. Результаты испытания этого года покажут, распространяются ли преимущества нашего гибкого дизайна на прогнозирование результатов.

A.

1.3. ОСТРОВА16-A3. HK-CUH — Остаточная объемная сеть для сегментации поражения ишемического инсульта

Авторы: Lequan Yu и Pheng-Ann Heng

Мы предлагаем метод на основе 3D CNN для прогнозирования исхода поражения.Предлагаемая трехмерная сеть использует преимущества полностью сверточной архитектуры для выполнения эффективного сквозного обучения от объема к объему. Что еще более важно, мы вводим недавно предложенную технику остаточного обучения в нашу сеть, которая может облегчить проблему исчезающих градиентов и улучшить производительность нашей сети. Он использует полностью сверточную трехмерную архитектуру и организован по схеме остаточного обучения. Все слои нашей сети реализованы в трехмерном виде (в библиотеке caffe), поэтому сеть может в высокой степени сохранять и глубоко использовать трехмерную пространственную информацию входных объемных данных.Мы принимаем небольшие ядра свертки размером 3 × 3 × 3 в сверточных слоях. За каждым сверточным слоем следует выпрямленный линейный блок (ReLU). Обратите внимание, что мы также используем уровень пакетной нормализации (BN) перед каждым уровнем ReLU. Слой BN может ускорить процесс обучения нашей сети. В конце сети мы добавляем сверточный слой 1 × 1 × 1 в качестве классификатора для генерации результатов сегментации и дальнейшего получения объемов вероятности сегментации после прохождения слоя softmax.Обратите внимание, что наша сеть может показаться похожей на U-Net, но есть различия: мы используем единицы суммирования вместо единиц конкатенации при объединении различных путей, и, таким образом, мы можем переформулировать нашу сеть как схему остаточного обучения; Кроме того, мы применяем недавно разработанную методику пакетной нормализации для повышения производительности.

А.1.4. ОСТРОВА16-A4. KR-SUC / KR-SUK / KR-SUL — Подход глубокой сверточной нейронной сети для сегментации поражения мозга

Авторы: Ёнвон Чой, Ёнчан Квон, Ханбёль Ли, Мёнхи Чо Пайк и Чжун-Хо Вон

Сегментация поражения головного мозга является сложной задачей, поскольку площадь поражения чрезвычайно мала, а размер доступных обучающих магнитно-резонансных изображений ограничен. Чтобы справиться с этим, мы используем миллионы 3D-патчей и 3D-сверточных ядер для нашей предлагаемой модели. Рассматривая каждый трехмерный патч как тренировочные данные, мы извлекаем выгоду из пространственной информации и решаем проблему ограниченности медицинских данных. Наша окончательная модель сегментации представляет собой ансамбль из двух глубоких сверточных нейронных сетей, вдохновленных полностью сверточными сетями и U-Net (36). Мы реализуем предложенную модель на Python с помощью Lasagne и Keras.

A.1.5. ОСТРОВА16-А5. PK-PNS — сегментация поражения ишемического инсульта с использованием случайных лесов в мультимодальных МРТ-изображениях

Авторы: Кайзер Махмуд и А.Басит

Мультимодальная МРТ может использоваться для обнаружения поражения ишемического инсульта и может обеспечить количественную оценку области поражения. Его можно использовать в качестве важного параклинического инструмента для диагностики инсульта. Для количественного анализа поражений при инсульте на изображениях МРТ ручная сегментация клинических экспертов по-прежнему является обычным подходом и используется для вычисления размера, формы и объема поражений при ударе. Однако это трудоемкая, утомительная и трудоемкая задача.Более того, ручная сегментация подвержена колебаниям внутри и между наблюдателями. Здесь мы представляем автоматизированный метод сегментации поражения ишемического инсульта на мультимодальных МРТ-изображениях. Метод основан на методе обучения ансамбля RF, называемом случайным лесом, который генерирует несколько классификаторов и объединяет их результаты для принятия решений. В RF мы используем несколько значимых функций, таких как интенсивность, энтропия, градиент и т. Д., Чтобы классифицировать вокселы в мультимодальных изображениях МРТ.Метод сегментации проверяется на данных обучения, полученных из набора данных MICCAI ISLES-2016. Эффективность метода оценивается относительно ручной сегментации, выполненной клиническими экспертами. Экспериментальные результаты показывают надежность метода сегментации и то, что он обеспечивает разумную точность сегментации для сегментации поражения ишемического инсульта на мультимодальных МРТ-изображениях.

A.1.6. ОСТРОВА16-А6. UK-CVI — Комбинация CNN и ручной работы для сегментации поражения ишемического инсульта

Авторы: Хаоченг Шен, Сиямалан Маниваннан, Роберто Аннунциата, Жуйсуан Ван и Цзяньго Чжан

Сверточные нейронные сети могут автоматически изучать отличительные локальные особенности и обеспечивать превосходную производительность по сравнению с ручными функциями в различных приложениях, таких как классификация изображений, семантическая сегментация и обнаружение объектов.CNN также применялась для анализа изображений головного мозга с помощью МРТ и позволяла получать самые современные результаты для сегментации областей опухоли головного мозга (22, 7), сегментации поражений при инсульте (7) и обнаружения микробных кровотечений (28). В последнее время некоторые исследования [например, (23)] показывают, что созданные вручную функции могут предоставлять дополнительную информацию с CNN, поэтому их объединение с функциями, извлеченными из CNN, может дать более высокую производительность, чем использование только функций из CNN. Исходя из этого, мы формулируем сегментацию поражения при ишемическом инсульте при остром сканировании МРТ как классификацию на уровне пикселей с использованием комбинации CNN и функций ручной работы.Мы использовали архитектуру CNN, аналогичную (38). Это полностью сверточная нейронная сеть, содержащая путь понижающей дискретизации и три пути повышающей дискретизации. В задаче сегментации поражений при инсульте существует большой разброс по размеру, расположению и форме поражений. Следовательно, кодирование информации в нескольких масштабах необходимо и предпочтительнее, чем рассмотрение информации только на одном уровне. Путь понижающей дискретизации может извлекать абстрактную информацию с семантическим значением высокого уровня, в то время как три пути повышающей дискретизации предназначены для захвата мелких деталей.Эти три карты характеристик с повышенной дискретизацией затем объединяются на более поздних этапах архитектуры CNN, так что классификационный слой полностью использует информацию, отображаемую в нескольких масштабах (38). Мы используем следующие функции, созданные вручную: интенсивность, полусферическая разница в интенсивности между двумя симметричными пикселями в осевом виде, статистика первого порядка в области wxw volume, фильтр максимального отклика (MR8) (34). В каждом местоположении 2D-пикселя эти локальные особенности извлекаются независимо от каждой модальности изображения и объединяются вместе, чтобы получить представление функции для этого пикселя.Поскольку в наборе данных существует большое разнообразие поражений, будет полезно обучить пул бинарных классификаторов вместо одного. Каждый бинарный классификатор в этом пуле предназначен для отделения положительных характеристик (поражений), извлеченных у пациента, от всех отрицательных (нормальных) характеристик, извлеченных у того же пациента. Таким образом, мы считаем, что некоторые редко появляющиеся поражения можно легко отличить от нормальной ткани по сравнению с бинарным классификатором поражений, который обучается с использованием всех обучающих данных (без использования информации о пациенте). Во время тестирования стратегия голосования (усреднение трех верхних вероятностей, полученных бинарными классификаторами в пуле) используется для получения прогноза ввода.

A.1.7. ОСТРОВА16-А7. US-SFT — основанный на глубоком обучении подход к прогнозированию исходов ишемического инсульта

Авторы: Рамандип Рандхава, Анкит Моди, Параг Джайн и Прашант Уорье

Задача ISLES 2016 направлена ​​на рассмотрение двух важных аспектов прогнозирования лечения ишемического инсульта.Первый аспект относится к сегментированию МРТ головного мозга для выявления участков с поражениями, а второй аспект относится к прогнозированию фактического клинического результата с точки зрения степени инвалидности пациента. Входные данные состоят из острых изображений МРТ и дополнительных клинических данных, таких как баллы TICI, время с момента инсульта и время до лечения. Чтобы решить эту проблему, мы используем подход, основанный на глубоком обучении. В частности, мы сначала сосредотачиваемся на задаче сегментации и используем модель автоматической сегментации, которая состоит из глубокой нейронной сети (DNN). DNN принимает в качестве входных данных изображения МРТ и выводит сегментированное изображение, автоматически изучая скрытые основные функции в процессе обучения. Рассматриваемые нами архитектуры DNN используют множество сверточных уровней с небольшими ядрами, например, 3 × 3. Этот подход требует меньшего количества параметров для оценки и позволяет изучать и обобщать на основе несколько ограниченного количества предоставленных данных. Одна из используемых в настоящее время архитектур основана на U-Net (36), которая представляет собой полностью сверточную сеть.Он действует как автоматический кодировщик, который сначала «кодирует» входное изображение, применяя комбинации сверточных операций и операций объединения. За этим следует этап «декодирования», который увеличивает масштаб закодированных изображений при выполнении сверток. Полностью сверточная архитектура U-Net позволяет обрабатывать входные изображения разных размеров, как в наборе данных задачи. В наших экспериментах мы обнаружили, что эта архитектура показала отличную производительность по сравнению с предыдущим набором данных ISLES 2015. Несмотря на то, что в задаче 2016 года используются разные методы, наши первоначальные обучающие эксперименты дали многообещающие результаты сегментации.Наши следующие шаги включают решение проблемы регрессии. Количество помеченных данных для этой задачи ограничено. Наш подход будет заключаться в том, чтобы включить эти результаты напрямую в тренинг по сегментации. Это позволит DNN изучить скрытые функции, которые могут напрямую помочь в задаче классификации.

А.2. ОСТРОВА 2017

A.2.1. ISLES17-A1. AAMC — Объединение трехмерных U-образных сетей для сегментации поражения ишемического инсульта

Авторы: Эндрю Бирс, Кен Чанг, Джеймс Браун, Эммет Сартор, Элизабет Герстнер, Брюс Розен и Джаяшри Калпати-Крамер

Мы предлагаем новую архитектуру глубокого обучения, основанную на 3D Convolutional U-Net, архитектуре, которая нашла успех как в ISLES 2016, так и во множестве других приложений для сегментации тканей.Типичная архитектура сегментации U-Net работает путем поэтапной свертки и понижения дискретизации входных данных до представления с низким разрешением, а затем повышения дискретизации и деконволюции этого представления до категориальной карты меток. Плечо понижающей дискретизации U-Net также соединено в точках с плеером повышающей дискретизации, что приводит к архитектуре с плотным соединением. Мы улучшаем предыдущие реализации 3D U-Net как за счет увеличения количества слоев и сверточных фильтров, так и за счет добавления в сеть нескольких независимых ветвей понижающей дискретизации.Мотивация для этой химерной структуры состоит в том, чтобы повысить точность за счет объединения нескольких уникальных и не обязательно коррелированных субдискретизированных представлений, тем самым увеличивая потенциальное количество соответствующих биомаркеров визуализации. Мы применяем эту архитектуру к составным ячейкам вокселей 16 × 16 × 4 шести из семи данных карт изображений (ADC, CBV, CBF, MTT, TTP, Tmax) для ISLES 2017. Для обучения 80% исправлений взяты из земли, в то время как 20% пятен извлекаются из нормального мозга.Для логического вывода мы прогнозируем 16 перекрывающихся выходных патчей на воксел, среднее перекрывающееся выходное значение softmax и пороговое значение для этих выходов в двоичные метки. Наконец, мы выполняем постобработку двоичных меток, удаляя небольшие островки и применяя повторяющиеся эрозии и расширения сегментации.

A.2.1.1. Благодарности

Мы выражаем признательность за вычислительные ресурсы графического процессора, предоставленные MGH и Центром клинических данных BWH.

A.2.2. ISLES17-A2. HKU-1 — Глубокие состязательные сети для сегментации поражения при инсульте

Тони К.В. Мок и Альберт С. Чанг

Учебные модели, обеспечивающие точную сегментацию инсульта для оценки инсульта, являются сложной задачей. Методы, основанные на глубоких сверточных нейронных сетях, обычно полагаются на большие объемы аннотированных данных. Небольшая площадь поражения и ограниченный размер доступных данных МРТ в острой форме могут ухудшить качество результата при использовании таких подходов из-за чрезмерной подгонки данных тренировки. Для решения этой проблемы мы используем две глубокие нейронные сети с состязательным обучением (25). (31) показывает, что этот метод может вызвать эффект регуляризации и привести к меньшему переобучению обучающих данных. Наша модель объединяет две глубокие сверточные нейронные сети, вдохновленные U-Net (36). Для дальнейшего улучшения конечных результатов используются другие методы, такие как увеличение данных и пакетная нормализация.

A.2.3. ОСТРОВА17-А3. HKU-2 — Стохастическая плотная сеть для сегментации поражения Брайана

Авторы: Пей Ван и Альберт С. Чунг

Сегментация очага ишемического инсульта на МРТ головного мозга является довольно сложной задачей из-за его различного размера и неизвестной формы.Чтобы решить эту проблему, мы предложили сверточную нейронную сеть для сквозной сегментации поражения от объема к объему. Основываясь на структуре 3D U-Net, мы применяем плотное соединение, чтобы связать каждые два уровня, чтобы хорошо сочетать информацию низкого уровня с информацией высокого уровня. В каждом слое вместо трехмерной свертки мы применяем долговременную краткосрочную память (LSTM) для захвата информации третьего измерения в МРТ. Чтобы еще больше уменьшить чрезмерную подгонку во время тренировочного процесса, все плотные связи между слоями устанавливаются стохастически.Из-за ограниченного набора данных к обучающему набору данных применяется увеличение данных.

А.2.4. ОСТРОВА 17-A4. INESC — Полностью сверточная нейронная сеть для трехмерной сегментации повреждений при инсульте

Авторы: Мигель Монтейро1 и Арлиндо Л. Оливейра

Наш подход состоит из полностью сверточной нейронной сети (FCNN) с архитектурой V-Net (33). Архитектура V-Net является разновидностью архитектуры U-Net (36), которая обычно используется для сегментации медицинских изображений.Эта архитектура состоит из сужающегося пути и расширяющегося пути, каждый из которых состоит из блоков свертки. На каждом уровне сужающегося пути пространственные размеры изображения уменьшаются вдвое, а количество каналов удваивается. На пути расширения происходит обратное. Между сужающимся и расширяющимся путями существуют пропуски-соединения, которые передают функции с высоким разрешением расширяющемуся пути. Кроме того, блоки свертки на обоих путях имеют пропускаемые соединения, аналогичные таковым в ResNet (39), что делает обучение более быстрым и надежным.Чтобы решить проблему несбалансированности классов (большинство вокселей помечены как 0 в сегментации), мы предложили новую функцию потерь для обучения сети. Эта функция потерь состоит из суммы стандартных потерь кросс-энтропии с потерей игральных костей. Потеря игральных костей рассчитывается путем взятия отрицательного коэффициента игральной кости, рассчитанного с вероятностями меток вместо дискретных меток, что дает число от –1 до 0. Поскольку потеря кросс-энтропии может принимать любое положительное значение вплоть до бесконечности, во время обучения она начинается с доминирования над общей функцией потерь.По мере обучения он стремится к 0, в этот момент компонент потери игральных костей становится более доминирующей, что помогает точно настроить прогноз.

A.2.4.1. Благодарности

Эта работа была поддержана PAC — PRECISE — LISBOA-01-0145-FEDER-016394, софинансирована FEDER через POR Lisboa 2020 — Programa Operacional Regional de Lisboa PORTUGAL 2020 и Fundação para a Ciência e a Tecnologia.

A.2.5. ОСТРОВА17-А5. KU — Закрытые двухэтапные сверточные нейронные сети для сегментации поражения ишемическим инсультом

Авторы: Чи-Сок Юн, Ын-Сон Кан и Хын-Иль Сок

Мы предлагаем новую структуру с закрытой двухэтапной CNN для сегментации очагов ишемического инсульта.В частности, в нашей структуре есть две CNN. Первая CNN дает вероятность того, что она является нормальной тканью, то есть нормальной, или является поражением при ишемическом инсульте, то есть поражением. Основываясь на наших наблюдениях, что касается неправильно классифицированных вокселей в изображениях, соотношение между вероятностями нормальности и поражения было низким. То есть, когда вероятности нормального состояния и поражения близки друг к другу, это может быть хорошим показателем низкой уверенности в принятии решения. В связи с этим мы разработали функцию ворот, которая вычисляет отношение вероятности между нормальным состоянием и поражением.Когда отношение ниже порогового значения, функция затвора включает второй CNN для работы. Примечательно, что в нашем втором CNN мы также используем вероятности, полученные из первого CNN, в качестве контекстной информации. В наших экспериментах мы могли проверить эффективность предложенной двухэтапной архитектуры CNN.

A.2.5.1. Благодарности

Эта работа была поддержана грантом Института продвижения информационных и коммуникационных технологий (IITP), финансируемым правительством Кореи (No.2017-0-00451).

A.2.6. ОСТРОВА17-А6. KUL — полностью сверточная нейронная сеть с двойным масштабом для окончательного прогнозирования инфаркта

Авторы: Дэвид Роббен и Пол Суэтенс

Мы выполняем воксальную классификацию, чтобы предсказать окончательный инфаркт, используя относительное время до пика, ADC и доступные метаданные. Относительное время до пика рассчитывается на воксель как время до пика (ВДП) минус первый квартиль ВДП в маске мозга. У данных модальностей есть физические единицы, которые можно интерпретировать абсолютно, поэтому мы используем для каждой модальности одно и то же линейное преобразование для всех субъектов: вычитание на среднее среднее значение и масштабирование с помощью среднего стандартного отклонения. Метаданные нормализуются аналогичным образом после преобразования оценки TICI в числовое значение. Вдохновленный (7), мы реализуем с помощью Keras полностью сверточную нейронную сеть с двумя путями, один с исходным разрешением, а другой с более низким разрешением (в плоскости, субдискретизированной с коэффициентом 3). Оба пути имеют пять ядер 3 × 3 × 1 и пять ядер 3 × 3 × 3 для учета анизотропии размера вокселя. И пути, и метаданные впоследствии передаются на два полностью связанных слоя до того, как будет произведена окончательная классификация.Сеть регуляризована с выпадением и l2-регуляризацией. Мы дополняем обучающие данные переворотами по оси x, гауссовым шумом и небольшими линейными преобразованиями интенсивности. Гиперпараметры выбираются путем оценки производительности сети во время перекрестной проверки на обучающем наборе. Обучение является стохастическим, и во время тестирования мы используем ансамбль из четырех сетей, прогнозы которых усредняются. Прогнозы имеют пороговое значение 0,5, и все воксели на недоминантной части мозга подавляются.

A.2.7. ISLES17-A7. МФТИ — Ансамбли нейронных сетей для сегментации поражения ишемическим инсультом

Авторы: Максим Писов, Михаил Беляев, Егор Кривов

Мы используем четыре разные архитектуры CNN для сегментации изображений: модификацию ENet (20), DeepMedic (7) и две версии U-Net (36). Задача ISLES-2017 является сложной задачей из-за сильной анизотропии данных: типичный размер вокселя составляет около 1 × 1 × 6 мм ³ .Вот почему мы использовали E-Net и U-Net в качестве сетей 2D-сегментации: 2D-срезы вдоль аксиальной плоскости загружались в них как на этапе обучения, так и на этапе вывода, в то время как DeepMedic использовался в качестве сети 3D-сегментации. На основе этих сетевых архитектур мы построили несколько моделей с разными гиперпараметрами. Маски, предсказанные этими моделями, имели значительно изменяющиеся геометрические свойства, например, гладкие / шероховатые края, меньшие / большие области. Чтобы уменьшить эту изменчивость, мы использовали взвешенную сумму прогнозов окончательных моделей. В качестве шага предварительной обработки мы обрезали все изображения мозга до их ограничивающих рамок и масштабировали их до формы 192 × 192 в плоскости xOy . Чтобы преодолеть ограничения размера набора данных, мы используем два разных метода увеличения данных: классические пространственные преобразования (например, случайные повороты, случайные перевороты вдоль корональной и сагиттальной плоскостей) и новый метод, основанный на совместной регистрации. Основная идея метода состоит в том, чтобы отобразить очаги поражения от мозга с инсультом до здорового мозга с помощью эластичной совместной регистрации.Чтобы дополнить данные таким образом, мы использовали мозг приблизительно соответствующего возраста здоровых субъектов из набора данных Национальной инициативы по борьбе с болезнью Альцгеймера (adni.loni.usc.edu) в качестве шаблонов и применили алгоритм совместной регистрации из набора инструментов ANTs (26).

A.2.8. ISLES17-A8. NEU — комбинация U-Net и плотно подключенных сверточных сетей

Авторы: Донхён Ким, Джун Хо Ли, Донджун Чон, Чон Мин Ю и Джанкил Бин

Сегментация поражения головного мозга — сложная задача, с которой справились только опытные клиницисты, и ее невозможно локализовать с помощью одного метода визуализации головного мозга. Таким образом, важно анализировать его как смысл мультимодальности. Чтобы решить эту проблему, мы берем сверточную нейронную сеть, особенно U-Net (36), 3D U-Net (24) и плотно подключенную сверточную сеть (35). При выборе функций, прежде всего, мы искали лучшую комбинацию из нескольких наборов данных и лучшее количество сверточных нейронных слоев с учетом стоимости вычислений, точности и проблемы переобучения. При разном количестве комбинаций наборов данных изображений каждое различное изображение обучающих данных объединяется для обучения в передней части связующей части между кодированием (сверточный уровень) и декодированием (уровень деконволюции) в предлагаемой сети.Кроме того, мы рассматриваем тип извлечения данных из изображений (2D и 3D патч) и уточняем результат, такой как условное случайное поле (CRF).

A.2.9. ISLES17-A9. NUS — полностью сверточная сеть с функциями гиперколонки для сегментации поражения мозга

Авторы: Мобаракол Ислам и Хунлян Рен

Сегментация поражения при инсульте очень необходима для диагностики, планирования стратегии лечения и мониторинга прогрессирования заболевания. Мы предлагаем полностью сверточную сеть (FCN) с функциями гиперстолбцов и предсказаниями разреженных пикселей (например,g., PixelNet) для автоматической сегментации поражения головного мозга. PixelNet извлекает элементы из нескольких слоев, которые соответствуют одному и тому же пикселю, и выбирает небольшое количество пикселей из небольшого количества изображений для каждого пакетного обновления SGD (стохастический градиентный спуск). Модели глубокого обучения (DL), такие как CNN, требуют больших обучающих данных для обобщения модели, в которой большинство биомедицинских проблем имеют небольшой доступный набор данных. Более того, проблема дисбаланса меток приводит к тому, что CNN часто сходятся к определенным лейблам.PixelNet решает эти проблемы, используя прогнозирование разреженных пикселей на небольшом количестве пикселей. Мы используем PixelNet в тесте ISLES (Ischemic Stroke Lesion Segmentation) 2017 года и достигли точности 68% в качестве предварительного результата.

A.

2.10. ISLES17-A10. SNU-1 и SNU-2 — схематическая сегментация повреждений при инсульте с помощью сверточных нейронных сетей для небольших данных

Авторы: Ёнвон Чой, Ёнчан Квон, Мёнхи Чо Пайк, Бом Джун Ким и Чжун-Хо Вон

Наш подход к задаче ISLES 2017 заключался в создании ансамбля трехмерных моделей CNN, прогнозирующих окончательные поражения ишемического инсульта на основе ранней визуализации.Мы использовали три типа CNN: (I) многомасштабная U-сеть (24), (II) многомасштабная полностью сверточная сеть (7, 37) и (III) сеть разбора сцены пирамиды (19). Отрицательный результат Dice, бинарная кроссэнтропия и взвешенная бинарная кросс-энтропия (21) использовались в качестве потерь для обучения. Многомасштабная архитектура U-net, обученная с отрицательной оценкой Dice, показала лучшую производительность среди девяти рассмотренных комбинаций. Детали реализации, такие как предварительная обработка, увеличение данных и регуляризация, аналогичны (30), которая заняла 1-е место в ISLES 2016. В нашем подходе к задаче 2016 года есть два основных улучшения. Во-первых, сложность модели снижается на 60% без ущерба для производительности прогнозирования: многомасштабная U-сеть с 40 000 параметров показала производительность, сравнимую с моделью 2016 года со 100 000 параметров. Во-вторых, процесс обучения упрощается за счет применения калибровки вероятности вместо шага точной настройки в многофазном обучении (22).

A.2.10.1. Благодарности

Это исследование было поддержано грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT, NRF-2016R1C1B1012002).Исследование Джун-Хо Вона было частично поддержано грантом Национального исследовательского фонда Кореи (NRF), финансируемым правительством Кореи (MSIT, № 2014R1A4A1007895). Исследование Мёнхи Чо Пайка было поддержано Национальным исследовательским фондом Кореи в рамках гранта NRF-2017R1A2B4008956.

A.2.11. ISLES17-A11. SU — Multi-Scale Patch-Wise 3D CNN для сегментации поражения ишемического инсульта

Авторы: Илинь Ню, Эньхао Гонг, Цзюньшэнь Сюй1, Джон Паули и Грег Захарчук

Модель глубокой сети была обучена с помощью патч-подходов 3D CNN и многомасштабных структур. Трехмерная CNN была реализована для эффективного использования доступной пространственной информации и отношения между срезами. Наш поэтапный подход извлекает концентрические небольшие 3D-участки из мульти-контрастных входных объемов, чтобы выделить информацию о локальных вокселях, минимизировать несвязанные удаленные объекты и обработать различные размеры объема. Перекрывающиеся трехмерные участки были взяты из областей мозга (с использованием мозговых масок) в нескольких масштабах (с двумя масштабными путями с использованием размера патча 36x36x5 и 16x16x3 в окончательной реализации) для одновременного захвата как локальной, так и глобальной контекстной информации (7).Для увеличения данных использовались жесткие преобразования, а весовые коэффициенты для положительных и отрицательных меток были добавлены для обеспечения лучшего баланса данных. Реализованная нами модель имеет 7 слоев, в том числе 1 слой передискретизации сразу после входов, 5 сверточных слоев без объединения, 1 слой передискретизации для обеспечения согласованного разрешения выходов из двух путей масштабирования и 2 полностью связанных слоя для генерации финального патча 6 × 6. выходы. Из 43 случаев в наборе обучающих данных мы разделили помеченные данные на 77% для обучения и 23% для проверки.Коэффициент Dice Score использовался в качестве показателей потерь при обучении и качества при валидации. Модель обучается с использованием фреймворка тензорного потока на сервере Linux с двумя графическими процессорами NVIDIA GTX-1080TI.

A.2.12. ISLES17-A12. UA — Объемная мультимодальная нейронная сеть для сегментации ишемического инсульта

Авторы: Лаура Сильвана Кастильо, Лаура Александра Даса, Луис Карлос Ривера и Пабло Арбелаес

Исследовательские архитектуры высокого уровня для семантической сегментации, такие как VGG (27) и FCN (37), используют преимущества нескольких разрешений изображений для одновременного извлечения мелких деталей и грубых структур из входных данных с помощью групп сверточных слоев и нелинейностей, обычно выпрямленные линейные единицы (ReLU), за которыми следуют операции объединения.Однако по мере уменьшения разрешения изображения снижается и точность определения местоположения сегментации. Чтобы преодолеть этот недостаток, мы предлагаем нейронную сеть, которая извлекает функции из разных входных разрешений параллельно и независимо. Кроме того, использование патчей помогает справиться с дисбалансом данных и снижает потребление памяти. Это позволяет нам одновременно получать подробные данные о внешнем виде и точную семантическую информацию. Наш метод основан на DeepMedic (7) и V-Net (33), методах, которые продемонстрировали современный уровень сегментации медицинских изображений.Мы разработали новую архитектуру с четырьмя параллельными путями, каждый с шестью сверточными слоями и двумя остаточными соединениями, для извлечения функций с определенными уровнями разрешения. Все пути получают пятна с центром в одном вокселе, но извлеченные из разных версий изображения (исходных и субдискретизированных в шесть и восемь раз). Патчи имеют входные размеры 363, 203, 183 и 153 для путей с нормальным, средним и низким разрешением. Слой повышающей дискретизации используется для получения выходных данных одинакового размера. Наконец, результаты объединяются и вводятся в полностью связанные слои для объединения и последующей классификации. Слой классификации представляет собой свертку с размером ядра 13.

A.2.13. ISLES17-A13. UL — 2D Multi-Scale Res-Net для сегментации инсульта

Авторы: Кристиан Лукас и Маттиас П. Генрих

U-Nets (36) показали конкурентоспособность в различных биомедицинских задачах, будучи способными сегментировать объекты разного масштаба. Ишемические инсульты широко различаются по расположению, форме и размеру пораженной ткани.Таким образом, мы предлагаем полностью сверточную архитектуру на основе U-сетей для сегментации поперечных срезов изображения. Данные запроса были повторно дискретизированы до общего разрешения 1 × 1 × 5 мм, и при необходимости срезы дополняются нулями. Сеть предоставляет 42 функции изображения в качестве входных данных (7 MR-последовательностей, 3 среза, включая оба прямых соседних среза, 2 полусферических переворота). На пути сокращения детализированная информация улучшается на пяти масштабных уровнях U-Net (от 240 × 240 до 15 × 15) за счет дополнительных пропускаемых соединений: вход каждого уровня объединяется по каналам с активацией [аналогично ResNets (29), но с конкатенацией] перед субдискретизацией и передачей на более глубокий уровень. В пути апскейлинга потеря игральных костей на каждом уровне вычисляется при активации softmax и суммируется до общей потери для обучения. Потеря переднего плана и фона взвешивается с учетом его обратной априорной вероятности (оценивается на основе данных обучения) для учета дисбаланса классов. Для ускорения обучения параметры сети оптимизируются с помощью алгоритма ADAM. Более того, за каждой сверткой (в обоих направлениях) следует пакетная нормализация, как это было сделано ранее в Lucas et al. (6).

A.2.13.1.Благодарности

Эта работа была поддержана Высшей школой вычислительной техники в медицине и биологических науках, финансируемой Германской инициативой совершенствования [DFG GSC 235/2]. Мы также хотели бы поблагодарить Nvidia Corporation за их поддержку, предоставив нам видеокарту Titan Xp.

A.2.14. ISLES17-A14. UM — Объединение клинической информации для прогнозирования исхода инсульта с использованием глубокого обучения

Авторы: Адриано Пинто, Ричард Маккинли, Виктор Алвес, Роланд Уист, Карлос А. Сильва и Маурисио Рейес

Для прогнозирования исхода поражения при инсульте мы предлагаем метод сквозного глубокого обучения, способный объединять последовательности МРТ с клинической информацией, не связанной с визуализацией, а именно по шкале тромболизиса при инфаркте мозга (TICI). Поскольку изображения МРТ поступают из разных центров, в качестве шагов предварительной обработки мы изменили размер всех последовательностей МРТ до 256 × 256 × 32. Кроме того, последовательность Tmax была обрезана до [0, 20 с ], а последовательность АЦП была обрезана в диапазоне [0, 2600] × 10 ⁻⁶ мм ² / s , поскольку известно, что значения за пределами этих диапазонов не имеют биологического значения (3).После этого все последовательности были линейно масштабированы до [0, 255]. Наша архитектура состоит из двух основных блоков, первый основан на 2D-Unet (36), выходные карты функций которого вводятся во второй блок, состоящий из двух слоев Gated Recurrent Units (41). Знания в клинической области включаются на двух уровнях: на уровне населения и на уровне пациентов. Уровень популяции кодируется в настраиваемой функции потерь на основе балла F _β — (40), имеющего параметр бета, смоделированный по шкале TICI.Чтобы включить эти клинические знания в фазу тестирования, мы добавили дополнительный входной канал, который содержит оценку TICI. Поэтому мы стремимся управлять процессом изучения архитектуры в соответствии с успехом реваскуляризации, чтобы производить оптимистические прогнозы, когда прогнозируемое поражение сокращается, и пессимистические прогнозы, когда прогнозируемое поражение увеличивается.

A.2.14.1. Благодарности

Адриано Пинто получил стипендию от Fundação para a Ciência e Tecnologia (FCT), Португалия (номер стипендии PD / BD / 113968/2015).Эта работа поддерживается FCT с помощью эталонного проекта UID / EEA / 04436/2013, за счет средств FEDER через COMPETE 2020 — Programa Operacional Competitividade e Internacionalização (POCI) с эталонным проектом POCI-01-0145-FEDER-006941. Мы благодарим Швейцарский национальный научный фонд за поддержку — DACH 320030L 163363.

Российская Премьер-Лига | Арсенал Тула 0-0 Химки

Информация о матче

• Конец матча: Арсенал Тула 0: 0 Химки
• Перерыв: Арсенал Тула 0: 0 Химки
• 17 Александр Филин получил предупреждение
• 30Дмитрий Тихий получил предупреждение
• 46Александр Долгов заменил Кемаль Адеми
• 46’Александр Трошечкин заменил Дениса Глушакова
• 60Кирилл Боженов получил предупреждение
• 63’Эльмир Набиуллин заменяет Кирилл Боженов
• 67Александру Тудори заменил Евгений Марков
• 70’Илья Кухарчук заменил Артема Соколова
• 73’Артем Сокол заменил Георгия Костадинова
• 73Иван Новосельцев получил предупреждение
• 90Зурико Давиташвили получил предупреждение

Статистика матчей

9 900 9 0026 964

Статистика Максим Беляев, Statistiques Saison 2021/2022

Статистика Максим Беляев, Statistiques Saison 2021/2022

Accueil / Joueurs / Максим Беляев / Статистика

Основные статистические данные (2016/2020)

414	Попытка пройти	492
320	Пройдено	392
77%	Точность пас
46%	Владение	54%
3	Удары в створ	2
5	Выстрелы заблокированы	3
7	Выстрелы внутри коробки	4
9	Выстрелы снаружи коробки
16	Всего кадров	8
4	Угловые удары	3
11	Пропущенные фолы	11
2
0	Офсайды	2
3	Желтые карточки	3
0	Красные карточки

Клуб	de match»> MJ	Titu.
Арсенал	127	125	3	0	1	2	2	16	0
Русси	1	1	0	0	0	0	0	0	0
Итого	128	126	3	0	1	2	2	16	0

Основные статистические данные по конкуренции (2016/2020)

Основные статистические данные по номинальной стоимости (2020/2021)

Посты	de match»> MJ	Titu.					Т.G	I.R
Remplaçant	2	0	0	0	1	0	0	1
Défenseur центральный гош	5	5	0	0	1	0	6	6

Кризис COVID-19: выстрел в руку для российской электронной коммерции

Анна Ржевкина, Александр Марроу

ГДАНСК / МОСКВА (Рейтер) — Кризис с коронавирусом спровоцировал всплеск онлайн-покупок в России, который сравнял далекие ледяные просторы Чукотки на карте электронной коммерции.

ФОТО: Курьер Яндекс.Ест в защитной маске едет на скутере во время вспышки коронавируса (COVID-19) в Москве, Россия, 12 апреля 2020 года. Фотография сделана 12 апреля 2020 года. REUTERS / Максим Шеметов / File Photo

Защищенный от ветра регион на Дальнем Востоке России, где зимние температуры могут опускаться ниже минус 50 градусов по Цельсию (-58F), начал быстро расти для интернет-магазинов с тех пор, как пандемия начала удерживать потребителей дома.

Это тенденция, развивающаяся по всей России, стимулирующая стремительный рост интернет-магазинов.Традиционно не имея возможности осуществлять быструю доставку в крупнейшую страну мира, где дороги в течение нескольких месяцев забиваются льдом и снегом, они вложили значительные средства в логистические центры и пункты доставки.

В условиях отсутствия иностранных игроков российские компании наживаются на резком росте количества покупок в Интернете.

«Это очень удобно», — сказала Алина Лунина, учитель английского языка из Самары, которая теперь покупает одежду, книги, косметику, а иногда и продукты через Интернет.

Она пользуется услугами российской компании Wildberries, которая, по ее словам, доставляет товары до пунктов сбора за два дня, хотя Самара находится на расстоянии более 860 км (534 мили) от московской штаб-квартиры.

«В моем районе много пунктов отправления. Я иду пешком за пять минут », — сказала она Рейтер.

Бум электронной коммерции является долгожданным событием для экономистов, которые говорят, что Россия слишком зависит от доходов от нефти и газа, особенно с учетом того, что розничные продажи, индикатор потребительского спроса, резко упали, поскольку меры изоляции удерживали людей дома в начале пандемии — в результате чего погибло более 34 000 человек в России.

(ГРАФИЧЕСКИЙ: российские потребители пострадали от COVID-19,)

На электронную коммерцию пришлось всего 1.По данным исследовательской компании Data Insight, в 2019 году она составила 4% экономики России по сравнению с 2,6% в США и 5,1% в Китае.

«Благодаря эффекту низкой базы проникновения рынок электронной коммерции в России растет значительно быстрее, чем в США или в крупнейших странах ЕС», — сказал Рейтер соучредитель Data Insight Борис Овчинников.

По его оценке, рыночная стоимость в России за первую половину 2020 года составит 1,16 триллиона рублей (15,2 миллиарда долларов).

Аналитики компании Euromonitor, занимающейся маркетинговыми исследованиями, ожидают, что годовые онлайн-продажи в России вырастут более чем на 40% в этом году и составят около 2.5 трлн рублей и на 10-15% в год в течение следующих пяти лет.

ФРАГМЕНТАЦИЯ

Проникновение электронной коммерции в России увеличилось с 7% от общего объема розничных продаж в 2019 году до примерно 11% в 2020 году, хотя это все еще меньше, чем в Соединенных Штатах, где уровень проникновения составляет около 19%, сказала Мария Милашевич. Евромонитор.

Российский рынок также очень фрагментирован.

Частная компания Wildberries лидирует с 15% рынка, согласно Data Insight, а Ozon, подавшей заявку на первичное публичное размещение акций в США, принадлежит 7%.

За ними следует AliExpress Россия, совместное предприятие китайского гиганта онлайн-шоппинга Alibaba и российских партнеров. Среди других конкурентов — российская электронная компания М.Видео; «Сбермаркет», контролируемый совместным предприятием крупнейшего в России банка «Сбербанк» и интернет-группы Mail.Ru; и интернет-компания Яндекс.

Amazon еще не зашел в Россию, где размер страны — она ​​имеет 11 часовых поясов — и ее конкурентный ИТ-рынок создают проблемы.

«Чтобы охватить как минимум два крупных города России, компании необходимо вложить значительные средства не только в доставку, но и в складирование, чтобы иметь достаточно товаров для поддержания текущего уровня качества», — сказал Сергей Беляев из «Сова Капитал».

Amazon не ответила на запрос о комментарии.

Wildberries, которая за первые девять месяцев 2020 года привлекла на свой веб-сайт более 12 миллионов новых клиентов, продемонстрировала впечатляющий рост.

Заказы в апреле-октябре выросли на 490% на Чукотке, удаленном регионе, расположенном через Берингов пролив от Аляски, где зимы приносят бесконечные ночи и температуры ниже минус 50 градусов по Цельсию (-58 F).

Wildberries сообщает, что заказы с апреля по октябрь также выросли на 385% в Ингушетии на Северном Кавказе и на 239% в Бурятии, регионе в Восточной Сибири.

Ритейлер, у которого более 34 миллионов клиентов, теперь имеет 13 складов и десятки сортировочно-распределительных центров по всей России, что сокращает время доставки на Дальний Восток и в Сибирь.

БОЛЬШИЕ ЗАДАЧИ

Логистика и неразвитая инфраструктура — большие проблемы, но в больших городах процветает курьерская доставка от двери до двери, а низкие затраты на рабочую силу помогают компаниям удерживать цены на низком уровне.

(ГРАФИКА: Карта России)

Клиенты Wildberries могут заказывать товары для примерки на небольших площадках, разбросанных по городам.Ozon управляет сетью пунктов выдачи, где клиенты могут забрать посылки.

Ozon заявила в марте, что потратила 300 миллионов долларов на улучшение логистики и открыла логистический центр в Ростове-на-Дону, недалеко от Украины, для доставки в тот же день.

В апреле-мае Ozon зафиксировал рост числа новых активных покупателей на 84% по сравнению с аналогичным периодом прошлого года, а на регионы за пределами Москвы приходится более 55% валовой товарной стоимости, согласно данным компании.

Как и в других странах, во время пандемии количество онлайн-заказов на продукты резко возросло, и сейчас идет гонка за дальнейшее сокращение сроков доставки.

Яндекс в прошлом году запустил сервис Яндекс.Лавка по доставке продуктов за 15 минут. За этим последовала служба доставки еды Яндекс.Еда.

Яндекс.Лавка имеет небольшие склады по всей Москве и использует курьеров на велосипедах, электровелосипедах или мотоциклах. Компания сообщила, что ее ежемесячные заказы выросли до более чем 1 миллиона с 50 000 год назад.

Сбермакет сообщил, что его заказы в таких городах, как Санкт-Петербург, Екатеринбург и Нижний Новгород, в третьем квартале были в 15-17 раз выше, чем в первые три месяца 2020 года.

«Сбермаркет» ожидает, что в ближайшие годы сектор электронных продуктов питания в России будет продолжать быстро развиваться, — сказал его финансовый директор Михаил Лойко.

Бакалейная онлайн-компания Utkonos, сообщившая об увеличении продаж в третьем квартале на 65% по сравнению с аналогичным периодом прошлого года, также сообщила, что спрос на услуги доставки, вероятно, будет продолжать расти теперь, когда потребители привыкли к удобству покупок в Интернете.

Дополнительный репортаж Андрея Остроуха, Ольги Поповой, Надежды Цыденовой и Владимира Садыкова, редакция Кати Голубковой и Тимоти Херитэдж

Открытый чемпионат мира по пауэрлифтингу , Австрия, Зельден, 14-20.10.2007 914

МЕЖДУНАРОДНАЯ ФЕДЕРАЦИЯ ПАУЕРЛИФТИНГА
СТАТИСТИКА СОРЕВНОВАНИЙ
В соревнованиях приняли участие 162 спортсмена из 34 стран.
Статистика попыток
			Все	Попытки	Goodlifts	Нолифт	Отказано
	Приседания		486	Приседания		486	181	15
	Скамья		486	463	299	164	23
	Тяга		486	448	165	38
	Полный		1458	1382	872	510	76
29 спортсменов дисквалифицированы.
3 спортсмена были технически дисквалифицированы после проведения допинг-контроля.
Список чемпионов
		W.Class	Лифтеры			ИТОГО
		— 56 кг	Федосиенко Сергей			700,031
		— 60 кг	Hsieh Tsung Ting			722,5
		— 67,5 кг	Казаков Равиль			777,5
		— 75 кг	Олеч Ярослав			860,0
		— 82,5 кг	Богданов Сергей			872,5
	— 90 кг	Беляев Андрей			977,5
		— 100 кг	Тарасенко Андрей			997,5
		— 110 кг	Бархатов Максим			1050,0
		— 125 кг	Карделла Тони			1022,5
		125+ кг	Бондаренко Владимир			1092,5
									Уилкс чемпионы
PL.	Подъемники			Б.вес	WF	ИТОГО	Вт. Баллов
1	Федосиенко Сергей			55,10	0,9250	700,0	647,500
2	Hsieh Tsung Ting			58,90	0,8675	722,5	626,769
3	Беляев Андрей			89,40	0,6406	977,5	626,186
Нация (баллы)
1.	Россия	72	[12 + 12 + 12 + 12 + 12 + 12]
2.	СШАмерика	51	[12 + 9 + 9 + 9 + 7 + 5]
3.	Украина	47	[9 + 8 + 8 + 7 + 7]
4.	Польша	45	[12 + 8 + 7 + 7 + 6 +5]
5.	Япония	40	[8 + 8 + 8 + 7 + 6 + 3]
6.	Китайский Тайбэй	28	[12 + 9 + 3 + 3 + 1]
7.	Норвегия	26	[7 + 6 + 6 + 6 + 1]
8.	Финляндия	25	[8 + 6 + 6 + 4 + 1]
9.	Великобритания	24	[9 + 6 + 4 + 4 + 1]
10.	Франция	23	[9 + 7 + 3 + 2 + 1 + 1]
11.	Чехия	22	[8 + 6 + 4 + 4]
12.	Швеция	21	[5 + 5 + 4 + 3 + 3 + 1]
13.	Болгария	15	[7 + 5 + 3]
14.	Австрия	13	[5 + 3 + 2 + 1 + 1 + 1]
15.	Италия	10	[9 + 1]
16.	Германия	8	[3 + 2 + 1 + 1 + 1]
17.	Белоруссия	7	[7]
18.	Канада	7	[2 + 1 + 1 + 1 + 1 + 1]
19.	Люксембург	6	[6]
20.	Нидерланды	6	[5 + 1]
21.	Словакия	6	[4 + 1 + 1 ]
22.	Бразилия	6	[2 + 1 + 1 + 1 + 1]
22.	Ливия	6	[2 + 1 + 1 + 1 + 1 ]
24.	Казахстан	5	[5]
25.	Индия	4	[4]
26.	Дания	4	[2 + 1 + 1]
27.	Литва	3	[3]
28.	Бельгия	2	[2]
28.	Эстония	2	[2]
30.	Алжир	2	[1+ 1]
31.	Марокко	1	[1]
31.	Австралия	1	[1]
31.	Объединенные Арабские Эмираты	1	[1]
	Филиппины
Нация (поинты Уилкса)
1.	Россия	3711,74	[647,50 + 626,19 + 618,98 + 617,55 + 601,63 + 599,89]
2.	СШАмерика	3461,31	[593,12 + 583,51 + 583,34 + 583,12 + 574,07 + 544,15]
3.	Украина	3425,67	[591,70 + 591,46 + 574,40 + 562,41 + 562,15 + 543,56]
4.	Польша	3414,12	[616,88 + 573, 67 + 569,37 + 564,25 + 551,76 + 538,19]
5.	Япония	3300,30	[573,00 + 571,00 + 550,69 + 547,04 + 538,23 + 520,34]
6.	Франция	3173,10	[551,91 + 533,62 + 532,02 + 526,70 + 520,52 + 508,33]
7.	Швеция	3167,87	[545,96 + 543,92 + 536,55 + 524,80 + 521,31 + 495,32]
8.	Австрия	2871,53	[518,09 + 509,71 + 484,37 + 480,12 + 449,81 + 429,44]
9.	Канада	2863,25	[512,19 + 504,90 + 495,85 + 469,83 + 460,20 + 420,28]
10.	Норвегия	2737,47	[559,19 + 549,71 + 549,42 + 541,40 + 537,75]
11.	Финляндия	2726,45	[583, 38 + 567,94 + 537,74 + 530,05 + 507,35]
12.	Китайский Тайбэй	2683,32	[626,77 + 581,68 + 509,26 + 485, 80 + 479,81]
13.	Великобритания	2670,91	[576,19 + 537,79 + 530,82 + 514,56 + 511,56]
14.	Германия	2516,04	[545,42 + 511,02 + 501,07 + 490,28 + 468,25]
15.	Бразилия	2426,36	[519, 76 + 492,01 + 480,62 + 468,97 + 465,00]
16.	Ливия	2325,96	[477,62 + 468,45 + 462,98 + 462,83 +454,06]
17.	Чехия	2195,29	[557,30 + 551,52 + 551,37 + 535,10]
18.	Болгария	1626 , 24	[557,19 + 536,90 + 532,15]
19.	Словакия	1524,96	[521,06 + 507,77 + 496,14]
20.	Дания	1418,90	[498,48 + 467,64 + 452, 78]
21.	Италия	1066,87	[562,76 + 504,11]
22.	Нидерланды	966,38	[522,09 + 444, 29]
23.	Алжир	950,57	[479,33 + 471,24]
24.	Люксембург	574,23	[574,23]
25.	Белоруссия	541,90	[541,90]
26.	Индия	524,02	[524,02]
27.	Литва	523,72	[523,72]
28. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт